Syfte och frågeställningar: Syftet med studien var att undersöka hos vältränade om det fanns något samband mellan maximal styrka, effektutveckling och snabbhet, dvs tester som till stor del speglar anaerob kapacitet. Syftet var också att undersöka om det här fanns någon skillnad och/eller likhet mellan kvinnor och män. (1) Hur ser det eventuella sambandet ut mellan effektutveckling och maximal styrka? (2) Hur ser det eventuella sambandet ut mellan effektutveckling och snabbhet? (3) Hur ser det eventuella sambandet ut mellan maximal styrka och snabbhet? (4) Hur ser det eventuella sambandet ut, på ovanstående frågeställningar, hos kvinnor och män? Metod: Metoden var kvantitativ och laborativ, utformad för att undersöka det eventuella sambandet mellan snabbhet, maximal styrka och effektutveckling – Detta testades genom tre olika fysiologiska tester. Testerna genomfördes på en grupp bestående av 10 män (ålder 24,4±2,8 år, kroppsvikt 78,9±9,7 kg och längd 175,6±7,5 cm) och 10 kvinnor (ålder 24,1±1,7 år, kroppsvikt 65±8,0 kg och längd 167±5,7 cm) som var vältränade men hade olika idrottsbakgrund. Målet var att, utifrån den undersökta gruppen, kunna göra uttalanden om en större population. Testerna som genomfördes var 1 RM knäböj (maximal styrka), sprint 5 m, 10 m och 30 m (snabbhet) samt ett Wingate-test (effektutveckling). Med hjälp av statistikprogrammet Statistica 12.0 och beräkningsmetoden Pearson korrelationskoefficient, har rådata från testerna beräknats för att redovisa det eventuella sambandet. Resultat: Resultatet visade att det fanns, antingen ett medelstarkt samband eller ett starkt samband mellan alla tre testerna, för hela gruppen. Majoriteten av testerna visade ett starkt samband, endast mellan effektutveckling och snabbhet 5 m och 30 m var det ett medelstarkt samband, inga svaga samband hittades. De starkaste sambanden som hittades, för hela gruppen, var mellan effektutveckling och maximal styrka (r 0,90 i absoluta tal och r 0,78 i relativa tal). Män hade, totalt sett, många fler starka samband mellan de olika testerna än kvinnor, kvinnor hade endast ett enda starkt samband, vilket var mellan effektutveckling och maximal styrka. Män å andra sidan hade, med majoritet (8 av 14), ett starkt samband mellan de olika testerna, de starkaste sambanden hittades mellan effektutveckling och övriga tester. Slutsats: Det fanns ett tydligt samband mellan de olika anaeroba kapaciteterna, för hela gruppen. När resultatet redovisas för kvinnor och män enskilt, så var slutsatsen inte densamma – Kvinnor visade både svagare och färre förekommande samband mellan alla kapaciteter än män. / <p>Ämneslärarprogrammet, Specialidrott</p>

Die vorliegende Arbeit beschäftigt sich mit rohstofflichen und verfahrenstechnischen Einflussfaktoren bei der Biomassepyrolyse. Ausgehend von der Entwicklung einer kleintechnischen Festbettpyrolyseapparatur, erfolgten experimentelle Untersuchungen an 26 biogenen Einsatzstoffen unter verschiedenen Prozessbedingungen. Die Apparatur erlaubt eine vollständige Bilanzierung und Gewinnung aller Produkte, zudem können Einflüsse durch sekundäre Reaktionen in der Gasphase minimiert werden. Die Einsatzstoffe, welche u. a. auch Zellstoff, Xylan und Alkali-Lignin einschließen, wurden hinsichtlich brennstofftechnischer und physikalischer Eigenschaften sowie der Stoffgruppenzusammensetzung charakterisiert. Sie repräsentieren eine große Bandbreite möglicher Zusammensetzungen. Bei den Prozessparametern wurde die Pyrolysetemperatur im Bereich von 200 bis 750 °C, die Aufheizrate zwischen 5 und 100 K/min, die Feststoffverweilzeit von 0 bis 30 min sowie die Partikelgröße (0 bis 5 mm) variiert. Aus den Untersuchungen zum Einfluss der Prozessparameter für die verschiedenen Einsatzstoffe wurden unter Anwendung einer geeigneten Bilanzierungsmethodik geschlossene Masse- und Elementbilanzen für jeden Versuchspunkt aufgestellt. Unter den Prozessvariablen konnte die Temperatur erwartungsgemäß als wichtigste Einflussgröße identifiziert werden. Der zweistufige Zersetzungsverlauf der Biomassen ermöglicht die mathematische Beschreibung der temperaturabhängigen Ausbeuten mittels der zweistufigen Boltzmann-Funktion für den gesamten Temperaturbereich mit hohen Bestimmtheitsmaßen. Die rohstofflichen Einflussgrößen wurden unter Anwendung der Rangkorrelationsmethode nach Spearman und der Produkt-Moment-Korrelation nach Pearson mit den definierten Zielgrößen (Ausbeuten, Produktzusammensetzung, Kokseigenschaften, Heizwerte, Energieeinbindung) bei verschiedenen Pyrolysetemperaturen korreliert. Neben der Stoffgruppenzusammensetzung konnten bei den rohstofflichen Einflussfaktoren die Gehalte an Alkalien sowie der Gesamtgehalt an potentiell katalytisch aktiven Bestandteilen (Na, K, Mg, Ca, Fe) als Haupteinflussgrößen identifiziert werden. Korrelationen ergeben sich auch für brennstofftechnische Eigenschaften, wobei neben dem Flüchtigen- und dem Aschegehalt, das O/C-Verhältnis signifikant ist. Die gefundenen statistischen Zusammenhänge können weitestgehend mechanistisch begründet werden. Zur Quantifizierung der ermittelten Zusammenhänge für die Zielgrößen wurden multiple Regressionsmodelle erstellt und anhand von Bestimmtheitsmaß, Informationskriterium und mittleren Modellfehlern bewertet. Somit konnten 42 Regressionsgleichungen für die Produktausbeuten bei verschiedenen Pyrolysetemperaturen entwickelt werden, die auf den Gehalten verschiedener Stoffgruppen und dem Gesamtgehalt an katalytisch aktiven Elementen basieren. Weitere 56 Regressionsgleichungen stehen für die Berechnung von Teer/Öl-Elementarzusammensetzung, Kokszusammensetzung, Teer/Öl-Heizwert sowie Energieeinbindung im Koks bei verschiedenen Pyrolysetemperaturen zur Verfügung. Die Prognoseeignung der Gleichungen wurde anhand eines weiteren Datensatzes für Apfeltrester überprüft. Für die Koks-, die Gas- und die Kondensatausbeute sowie die genannten Produkteigenschaften ergab sich eine gute Vorhersagequalität, die jedoch stark von der verwendeten Gleichung abhängt. Die Validierung mit Literaturdaten konnte aufgrund fehlender Datensätze, die sowohl die notwendigen Rohstoffparameter als auch Produktausbeuten und -eigenschaften enthalten, nur anhand der Koksausbeute erfolgen. Für verschiedene Biomassen und biogene Reststoffe führte dies zu einer guten Anpassung. Die mathematische Beschreibung der Ausbeuten und bestimmter Produkteigenschaften über Regressionsgleichungen auf Grundlage von Rohstoffparametern stellt einen vielversprechenden Ansatz für die Vorhersage der maximalen Ausbeuten bei bestimmten Bedingungen dar. Dies ermöglicht eine Abschätzung zur Einsatzeignung von Biomassen bzw. biogenen Reststoffen für verschiedene Anwendungszwecke. Bisher existiert kein derartiges Modell zur Vorhersage der definierten Zielgrößen. Grundsätzlich wäre die Entwicklung einfacher Gleichungen mit wenigen, einfach bestimmbaren und standardisierten Parametern erstrebenswert. Die Ergebnisse haben jedoch gezeigt, dass Ein-Variablen-Modelle die Trends zwischen den Biomassen aufgrund der komplexen Zusammenhänge zwischen Pyrolyseverhalten und Rohstoffparametern häufig nicht richtig wiedergeben können. Für robuste Modelle sind somit mindestens zwei unabhängige Modellparameter mit idealerweise gegensätzlichem Einfluss notwendig. / The intention of this work was an intensive study of the influence of feedstock properties and process variables on biomass pyrolysis. Due to a lack in consistent data sets, including various feedstock parameters as well as product yields, compositions, and further properties, a laboratory fixed bed reactor was developed to overcome this problem. The pyrolysis reactor was used for experiments with 26 biogenous feedstock under variable process conditions. The reactor is suitable to assure nearly closed mass balances and a complete product recovery. Furthermore, it allows the minimization of secondary reactions. The used feedstock, which include cellulose, xylan, and lignin amongst others, represent a broad range of possible compositions and were intensively characterized by determination of fuel and physical properties as well as biopolymer composition. The varied process parameters are: temperature between 200 and 700 °C, heating rate in the range of 5 to 100 K/min, solid residence time from 0 to 30 min, and particle size up to 5 mm. Closed mass and element balances were done for every set of parameters. As expected, amongst process variables the temperature was identified as the main factor influencing biomass pyrolysis. The temperature depending products yields could be fitted well by the double boltzmann approach due to the two-stage pyrolytic decomposition of biomass. Correlation of feedstock properties with different target parameters, including yields, product composition, heating values, remaining energy content in char, and char properties, was done by Spearman´s rank correlation and Pearson´s correlation for different temperatures. Biopolymer composition as well as alkaline content and total content of potential catalytic elements (Na, K, Ca, Mg, Fe) were identified as main factors influencing biomass pyrolysis product yields and compositions. Further correlations arise with fuel properties like volatile matter and ash content besides O/C atomic ratio. The obtained correlations can be mainly related to pyrolysis mechanisms. The received relationships were quantified by means of multiple regression models. Model evaluation was done by coefficient of determination, information criteria and mean squared errors. 42 regression models, based on different biopolymer contents and the total content of catalytic elements, were provided for the mathematical description of product yields for different process temperatures. Another 56 equations are suitable for the calculation of product properties like tar/oil and char composition, tar/oil heating value, and remaining energy content in the char at different temperatures. The predictability of the regression models was proved using another data set for apple pomace. The yields of char, gas, and condensate as well as the aforementioned product properties can be predicted very well, although, the predictability varies with the applied equation. Validation of the models by literature data was only possible for the char yield, because of the mentioned lack in suitable and complete data sets. Application of regression model to fixed bed char yields for different biomass and biogenous residues from literature resulted in a good predictability. Mathematical description of pyrolysis product yields and properties by means of regression models based on feedstock parameters is a promising approach to predict maximum yields at defined conditions and, therefore, to make an estimation of suitability of the biomass to different applications. Up to now such models do not exist. In general, the development of simple equations based on a few standardized parameters which are easy to determine is worthwhile. Hence, the results showed that the overall trend between different biomass feeds was often not predicted correctly using one-parameter models. This is due to the complex relationships between pyrolysis behavior and feedstock properties. Consequently, at least two parameter models, where the variables show the opposite trends, were most appropriate.

Omic science is rapidly growing and one of the most employed techniques to explore differential patterns in omic datasets is principal component analysis (PCA). However, a method to enlighten the network of omic features that mostly contribute to the sample separation obtained by PCA is missing. An alternative is to build correlation networks between univariately-selected significant omic features, but this neglects the multivariate unsupervised feature compression responsible for the PCA sample segregation. Biologists and medical researchers often prefer effective methods that offer an immediate interpretation to complicated algorithms that in principle promise an improvement but in practice are difficult to be applied and interpreted. Here we present PC-corr: a simple algorithm that associates to any PCA segregation a discriminative network of features. Such network can be inspected in search of functional modules useful in the definition of combinatorial and multiscale biomarkers from multifaceted omic data in systems and precision biomedicine. We offer proofs of PC-corr efficacy on lipidomic, metagenomic, developmental genomic, population genetic, cancer promoteromic and cancer stem-cell mechanomic data. Finally, PC-corr is a general functional network inference approach that can be easily adopted for big data exploration in computer science and analysis of complex systems in physics.

Knowledge of the soils friction angle is necessary to avoid landslides at slope stability surveys and dimensioning for foundation of different constructions. Frictional forces mainly builds up friction soil and the friction angle is defined by the angle when landslides occur. Friction angle can be evaluated using CPT or pressure probe. Both methods are performed similarly, with constant pressure and sink rate, but differ in time, cost, competence requirements and number of measurable parameters. The methods also differ when evaluating the friction angle. For CPT, the Conrad software is used while pressure probe is evaluated with empirical values, set against the peak pressure. This degree project compares the results from performed and evaluated CPT and pressure probes from several drill points in a project. The purpose of the study is to draw conclusions about the soils friction angle, whether the empirically evaluated values of the friction angle by pressure probing, can be correlated with the values of the friction angle through CPT, evaluated with the Conrad software. Both CPT and the evaluation with Conrad are more advanced methods and are therefore seen as the correct value for the soils friction angle. The result shows that pressure probe provides a good indication when evaluating the friction angle and can be used, with the knowledge that the friction angle is rarely evaluated higher than from CPT. The methods differ the most towards the surface to almost correlate towards the depth. / Kunskap om jordens friktionsvinkel är nödvändig vid bland annat släntstabilitetsutredning samt dimensionering för grundläggning av byggnader och anläggning. Friktionsjord byggs huvudsakligen upp av friktionskrafter och friktionsvinkeln definieras av vinkeln då ras uppstår. Friktionsvinkeln kan bland annat utvärderas med hjälp av resultat från CPT eller trycksondering. Båda metoderna utförs på liknande sätt, med konstant tryck och sjunkningshastighet men skiljer sig i tidsåtgång, kostnad, kompetenskrav samt antal mätbara parametrar. Metoderna skiljer sig också vid utvärdering av friktionsvinkel. För CPT används programvaran Conrad medan trycksondering utvärderas med empiriskt framtagna värden, ställda mot spetstrycket. Detta examensarbete jämför resultaten från utförda och utvärderade CPT resp. trycksonderingar från ett flertal borrpunkter i ett projekt. Syftet med studien är att dra slutsatser om jordens friktionsvinkel, huruvida de empiskt utvärderade värden för friktionsvinkeln genom trycksondering kan korreleras med värden för friktionsvinkeln genom CPT, utvärderande med programvaran Conrad. Både CPT-sondering och utvärdering med Conrad är avancerade metoder och ses därför som det mer korrekta värdet för jordens friktionsvinkel. Resultatet visar att trycksondering ger en bra indikation vid utvärdering av friktionsvinkel och kan användas, med vetskapen att friktionsvinkeln sällan utvärderas högre än från CPT. Skillnaden vid utvärdering är som störst nära markytan och minskar för att nära på korrelera mot djupet.

Omic science is rapidly growing and one of the most employed techniques to explore differential patterns in omic datasets is principal component analysis (PCA). However, a method to enlighten the network of omic features that mostly contribute to the sample separation obtained by PCA is missing. An alternative is to build correlation networks between univariately-selected significant omic features, but this neglects the multivariate unsupervised feature compression responsible for the PCA sample segregation. Biologists and medical researchers often prefer effective methods that offer an immediate interpretation to complicated algorithms that in principle promise an improvement but in practice are difficult to be applied and interpreted. Here we present PC-corr: a simple algorithm that associates to any PCA segregation a discriminative network of features. Such network can be inspected in search of functional modules useful in the definition of combinatorial and multiscale biomarkers from multifaceted omic data in systems and precision biomedicine. We offer proofs of PC-corr efficacy on lipidomic, metagenomic, developmental genomic, population genetic, cancer promoteromic and cancer stem-cell mechanomic data. Finally, PC-corr is a general functional network inference approach that can be easily adopted for big data exploration in computer science and analysis of complex systems in physics.

Thermal conductivity and thermopower measurements in strongly correlated electron systems at low temperatures

An extension of the nonadiabatic quantum molecular dynamics approach is presented to account for electron-nuclear correlations in the dynamics of atomic many-body systems. The method combines electron dynamics described within time-dependent density-functional or Hartree-Fock theory with trajectory-surface-hopping dynamics for the nuclei, allowing us to take into account explicitly a possible external laser field. As a case study, a model system of H++H collisions is considered where full quantum-mechanical calculations are available for comparison. For this benchmark system the extended surface-hopping scheme exactly reproduces the full quantum results. Future applications are briefly outlined.

Das vorliegende Skript ist aus dem Lehrveranstaltungszyklus Theorie und Methodik der Statistik hervorgegangen, den ich an der Fakultät Wirtschaftswissenschaften der TU Dresden im Hauptstudium der Diplomstudiengänge und in den Masterstudiengängen gehalten habe. Es gibt 16 ältere Auflagen, die während mehr als 15 Jahren kontinuierlich überarbeitet, erweitert und korrigiert wurden. Für Hinweise auf Fehler und für Erweiterungs- und Verbesserungsvorschläge danke ich mehreren Studenten und allen Mitarbeitern, die in dieser Zeit am Lehrstuhl für Quantitative Verfahren, insbesondere Statistik beschäftigt waren. Die 30 Kapitel verteilen sich auf die fünf Teile Grundlagen, Schätzen und Testen, Korrelation und Regression, Stochastische Prozesse und Multivariate Verfahren, die jeweils Grundlage einer Lehrveranstaltung waren. Viele Kapitel haben einen abschließenden Abschnitt "Weiterführendes" mit zusätzlichem und ergänzendem Material, das in der Vorlesung nicht behandelt wurde, sowie zusätzlichen Eräauterungen, Beispielen und Anmerkungen. Zur verwendeten Notation und zu mathematischen Grundlagen siehe Anhang A.

Die vorliegende Arbeit beschäftigt sich mit rohstofflichen und verfahrenstechnischen Einflussfaktoren bei der Biomassepyrolyse. Ausgehend von der Entwicklung einer kleintechnischen Festbettpyrolyseapparatur, erfolgten experimentelle Untersuchungen an 26 biogenen Einsatzstoffen unter verschiedenen Prozessbedingungen. Die Apparatur erlaubt eine vollständige Bilanzierung und Gewinnung aller Produkte, zudem können Einflüsse durch sekundäre Reaktionen in der Gasphase minimiert werden. Die Einsatzstoffe, welche u. a. auch Zellstoff, Xylan und Alkali-Lignin einschließen, wurden hinsichtlich brennstofftechnischer und physikalischer Eigenschaften sowie der Stoffgruppenzusammensetzung charakterisiert. Sie repräsentieren eine große Bandbreite möglicher Zusammensetzungen. Bei den Prozessparametern wurde die Pyrolysetemperatur im Bereich von 200 bis 750 °C, die Aufheizrate zwischen 5 und 100 K/min, die Feststoffverweilzeit von 0 bis 30 min sowie die Partikelgröße (0 bis 5 mm) variiert. Aus den Untersuchungen zum Einfluss der Prozessparameter für die verschiedenen Einsatzstoffe wurden unter Anwendung einer geeigneten Bilanzierungsmethodik geschlossene Masse- und Elementbilanzen für jeden Versuchspunkt aufgestellt. Unter den Prozessvariablen konnte die Temperatur erwartungsgemäß als wichtigste Einflussgröße identifiziert werden. Der zweistufige Zersetzungsverlauf der Biomassen ermöglicht die mathematische Beschreibung der temperaturabhängigen Ausbeuten mittels der zweistufigen Boltzmann-Funktion für den gesamten Temperaturbereich mit hohen Bestimmtheitsmaßen. Die rohstofflichen Einflussgrößen wurden unter Anwendung der Rangkorrelationsmethode nach Spearman und der Produkt-Moment-Korrelation nach Pearson mit den definierten Zielgrößen (Ausbeuten, Produktzusammensetzung, Kokseigenschaften, Heizwerte, Energieeinbindung) bei verschiedenen Pyrolysetemperaturen korreliert. Neben der Stoffgruppenzusammensetzung konnten bei den rohstofflichen Einflussfaktoren die Gehalte an Alkalien sowie der Gesamtgehalt an potentiell katalytisch aktiven Bestandteilen (Na, K, Mg, Ca, Fe) als Haupteinflussgrößen identifiziert werden. Korrelationen ergeben sich auch für brennstofftechnische Eigenschaften, wobei neben dem Flüchtigen- und dem Aschegehalt, das O/C-Verhältnis signifikant ist. Die gefundenen statistischen Zusammenhänge können weitestgehend mechanistisch begründet werden. Zur Quantifizierung der ermittelten Zusammenhänge für die Zielgrößen wurden multiple Regressionsmodelle erstellt und anhand von Bestimmtheitsmaß, Informationskriterium und mittleren Modellfehlern bewertet. Somit konnten 42 Regressionsgleichungen für die Produktausbeuten bei verschiedenen Pyrolysetemperaturen entwickelt werden, die auf den Gehalten verschiedener Stoffgruppen und dem Gesamtgehalt an katalytisch aktiven Elementen basieren. Weitere 56 Regressionsgleichungen stehen für die Berechnung von Teer/Öl-Elementarzusammensetzung, Kokszusammensetzung, Teer/Öl-Heizwert sowie Energieeinbindung im Koks bei verschiedenen Pyrolysetemperaturen zur Verfügung. Die Prognoseeignung der Gleichungen wurde anhand eines weiteren Datensatzes für Apfeltrester überprüft. Für die Koks-, die Gas- und die Kondensatausbeute sowie die genannten Produkteigenschaften ergab sich eine gute Vorhersagequalität, die jedoch stark von der verwendeten Gleichung abhängt. Die Validierung mit Literaturdaten konnte aufgrund fehlender Datensätze, die sowohl die notwendigen Rohstoffparameter als auch Produktausbeuten und -eigenschaften enthalten, nur anhand der Koksausbeute erfolgen. Für verschiedene Biomassen und biogene Reststoffe führte dies zu einer guten Anpassung. Die mathematische Beschreibung der Ausbeuten und bestimmter Produkteigenschaften über Regressionsgleichungen auf Grundlage von Rohstoffparametern stellt einen vielversprechenden Ansatz für die Vorhersage der maximalen Ausbeuten bei bestimmten Bedingungen dar. Dies ermöglicht eine Abschätzung zur Einsatzeignung von Biomassen bzw. biogenen Reststoffen für verschiedene Anwendungszwecke. Bisher existiert kein derartiges Modell zur Vorhersage der definierten Zielgrößen. Grundsätzlich wäre die Entwicklung einfacher Gleichungen mit wenigen, einfach bestimmbaren und standardisierten Parametern erstrebenswert. Die Ergebnisse haben jedoch gezeigt, dass Ein-Variablen-Modelle die Trends zwischen den Biomassen aufgrund der komplexen Zusammenhänge zwischen Pyrolyseverhalten und Rohstoffparametern häufig nicht richtig wiedergeben können. Für robuste Modelle sind somit mindestens zwei unabhängige Modellparameter mit idealerweise gegensätzlichem Einfluss notwendig.:Abkürzungs- und Symbolverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x Abbildungsverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii Tabellenverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxiii 1 Einleitung und Zielstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 Kenntnisstand . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1 Zusammensetzung und Struktur von Lignocellulosen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1.1 Allgemeine chemische Zusammensetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.1.2 Struktureller Aufbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.1.3 Vorkommen und Einbindungsformen von anorganischen Bestandteilen . . . . . . . . . . . . . . . . . . . 14 2.2 Möglichkeiten zur Untersuchung der Pyrolyse von Biomassen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.1 Untersuchungsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.2 Verwendete Reaktoren zur Untersuchung der Biomassepyrolyse . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3 Reaktionsabläufe bei der Biomassepyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4 Einflussfaktoren auf Pyrolyseproduktverteilung und -eigenschaften . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.1 Einfluss rohstofflicher Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4.2 Einfluss verfahrenstechnischer Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.5 Beschreibung und Vorhersage des Pyrolyseverhaltens von Biomasse . . . . . . . . . . . . . . . . . . . . . 39 2.5.1 Empirische Modelle basierend auf statistischen Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.5.2 Kinetische Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.5.3 Modelle auf Basis der Stoffgruppenzusammensetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 2.5.4 Netzwerkpyrolysemodelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 2.6 Schlussfolgerungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3 Untersuchungsmethodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1 Einsatzmaterialien und deren Charakterisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1.1 Biomassen und Vorbehandlung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1.2 Charakterisierungsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2 Entwicklung einer apparativen Einrichtung zur Bilanzierung des Biomassepyrolyseprozesses . . . 55 3.2.1 Anforderungen und Zielstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.2.2 Konzeption, Dimensionierung und Optimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.2.3 Endgültige Konfiguration der Laborpyrolyseanlage (LPA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.3 Durchführung der Bilanzversuche an der LPA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .66 3.3.1 Parametervariationen bei der Festbettpyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3.3.2 Versuchsvorbereitung und -durchführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3.3.3 Produktrückgewinnung und -aufarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 3.4 Methodik bei der Bilanzierung des Pyrolyseprozesses im Festbettreaktor . . . . . . . . . . . . . . . . . . 69 3.4.1 Bilanzgleichungen und -annahmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 3.4.2 Fehlerabschätzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 4 Ergebnisse zur Charakterisierung der Einsatzmaterialien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.1 Brennstofftechnische Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.2 Chemisch-strukturelle Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 4.3 Physikalische Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86 5 Einfluss verfahrenstechnischer und rohstofflicher Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1 Bilanzfehler und Wiederholbarkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1.1 Vergleich der Bilanzierungsvarianten und Bilanzfehler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1.2 Wiederholbarkeit der Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 5.2 Einfluss verfahrenstechnischer Parameter auf Produktverteilung und -zusammensetzung . . . . 94 5.2.1 Einfluss radialer Temperaturgradienten in der Biomasseschüttung . . . . . . . . . . . . . . . . . . . . . 94 5.2.2 Pyrolysetemperatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.2.3 Empirische Gleichungen für die Temperaturabhängigkeit der Produktausbeuten . . . . . . . . . 103 5.2.4 Aufheizgeschwindigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 5.2.5 Feststoffverweilzeit bei Pyrolyseendtemperatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 5.3 Einfluss rohstofflicher Parameter auf Produktverteilung und -zusammensetzung . . . . . . . . . . . 111 5.3.1 Partikelgröße . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 5.3.2 Pyrolyse von Zellstoff, Xylan und Alkali-Lignin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 5.4 Kombinierte Betrachtungen zum Temperatur- und Rohstoffeinfluss . . . . . . . . . . . . . . . . . . . . . 120 6 Mathematische Zusammenhänge zwischen Rohstoffeigenschaften und Pyrolyseverhalten . . . . 133 6.1 Korrelation mit Rohstoffeigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 6.1.1 Produktausbeuten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 6.1.2 Produkteigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 6.1.3 Schlussfolgerungen zur Korrelation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 6.2 Regressionsanalyse und Multiple Regression zur Beschreibung des Pyrolyseverhaltens . . . . . 155 6.2.1 Modellvergleich am Beispiel der Koksausbeute bei 500 °C . . . . . . . . . . . . . . . . . . . . . . . . . . 155 6.2.2 Gleichungen zur Berechnung der Produktausbeuten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160 6.2.3 Gleichungen zur Berechnung der Produkteigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 6.2.4 Schlussfolgerungen zur Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 7 Vorhersagemöglichkeiten für das Pyrolyseverhalten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 7.1 Validierung der Modellgleichungen mit internem Datensatz . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 7.2 Validierung mit Literaturdaten zur Festbettpyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 8 Zusammenfassung und Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .181 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .187 Anhang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .208 A Weiterführende Informationen zu Kapitel 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .208 B Weiterführende Informationen zur Untersuchungsmethodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . .211 C Ergebnisse zur Einsatzstoffcharakterisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 D Ergebnisse zum Einfluss verfahrenstechnischer und rohstofflicher Parameter . . . . . . . . . . . . . . . 272 E Ergebnisse zur Korrelation des Pyrolyseverhaltens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .314 F Ergebnisse zur Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .348 G Ergebnisse zur Vorhersage des Pyrolyseverhaltens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .361 / The intention of this work was an intensive study of the influence of feedstock properties and process variables on biomass pyrolysis. Due to a lack in consistent data sets, including various feedstock parameters as well as product yields, compositions, and further properties, a laboratory fixed bed reactor was developed to overcome this problem. The pyrolysis reactor was used for experiments with 26 biogenous feedstock under variable process conditions. The reactor is suitable to assure nearly closed mass balances and a complete product recovery. Furthermore, it allows the minimization of secondary reactions. The used feedstock, which include cellulose, xylan, and lignin amongst others, represent a broad range of possible compositions and were intensively characterized by determination of fuel and physical properties as well as biopolymer composition. The varied process parameters are: temperature between 200 and 700 °C, heating rate in the range of 5 to 100 K/min, solid residence time from 0 to 30 min, and particle size up to 5 mm. Closed mass and element balances were done for every set of parameters. As expected, amongst process variables the temperature was identified as the main factor influencing biomass pyrolysis. The temperature depending products yields could be fitted well by the double boltzmann approach due to the two-stage pyrolytic decomposition of biomass. Correlation of feedstock properties with different target parameters, including yields, product composition, heating values, remaining energy content in char, and char properties, was done by Spearman´s rank correlation and Pearson´s correlation for different temperatures. Biopolymer composition as well as alkaline content and total content of potential catalytic elements (Na, K, Ca, Mg, Fe) were identified as main factors influencing biomass pyrolysis product yields and compositions. Further correlations arise with fuel properties like volatile matter and ash content besides O/C atomic ratio. The obtained correlations can be mainly related to pyrolysis mechanisms. The received relationships were quantified by means of multiple regression models. Model evaluation was done by coefficient of determination, information criteria and mean squared errors. 42 regression models, based on different biopolymer contents and the total content of catalytic elements, were provided for the mathematical description of product yields for different process temperatures. Another 56 equations are suitable for the calculation of product properties like tar/oil and char composition, tar/oil heating value, and remaining energy content in the char at different temperatures. The predictability of the regression models was proved using another data set for apple pomace. The yields of char, gas, and condensate as well as the aforementioned product properties can be predicted very well, although, the predictability varies with the applied equation. Validation of the models by literature data was only possible for the char yield, because of the mentioned lack in suitable and complete data sets. Application of regression model to fixed bed char yields for different biomass and biogenous residues from literature resulted in a good predictability. Mathematical description of pyrolysis product yields and properties by means of regression models based on feedstock parameters is a promising approach to predict maximum yields at defined conditions and, therefore, to make an estimation of suitability of the biomass to different applications. Up to now such models do not exist. In general, the development of simple equations based on a few standardized parameters which are easy to determine is worthwhile. Hence, the results showed that the overall trend between different biomass feeds was often not predicted correctly using one-parameter models. This is due to the complex relationships between pyrolysis behavior and feedstock properties. Consequently, at least two parameter models, where the variables show the opposite trends, were most appropriate.:Abkürzungs- und Symbolverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x Abbildungsverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii Tabellenverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxiii 1 Einleitung und Zielstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 Kenntnisstand . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1 Zusammensetzung und Struktur von Lignocellulosen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1.1 Allgemeine chemische Zusammensetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.1.2 Struktureller Aufbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.1.3 Vorkommen und Einbindungsformen von anorganischen Bestandteilen . . . . . . . . . . . . . . . . . . . 14 2.2 Möglichkeiten zur Untersuchung der Pyrolyse von Biomassen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.1 Untersuchungsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.2 Verwendete Reaktoren zur Untersuchung der Biomassepyrolyse . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3 Reaktionsabläufe bei der Biomassepyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4 Einflussfaktoren auf Pyrolyseproduktverteilung und -eigenschaften . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.1 Einfluss rohstofflicher Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4.2 Einfluss verfahrenstechnischer Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.5 Beschreibung und Vorhersage des Pyrolyseverhaltens von Biomasse . . . . . . . . . . . . . . . . . . . . . 39 2.5.1 Empirische Modelle basierend auf statistischen Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.5.2 Kinetische Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.5.3 Modelle auf Basis der Stoffgruppenzusammensetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 2.5.4 Netzwerkpyrolysemodelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 2.6 Schlussfolgerungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3 Untersuchungsmethodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1 Einsatzmaterialien und deren Charakterisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1.1 Biomassen und Vorbehandlung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1.2 Charakterisierungsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2 Entwicklung einer apparativen Einrichtung zur Bilanzierung des Biomassepyrolyseprozesses . . . 55 3.2.1 Anforderungen und Zielstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.2.2 Konzeption, Dimensionierung und Optimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.2.3 Endgültige Konfiguration der Laborpyrolyseanlage (LPA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.3 Durchführung der Bilanzversuche an der LPA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .66 3.3.1 Parametervariationen bei der Festbettpyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3.3.2 Versuchsvorbereitung und -durchführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3.3.3 Produktrückgewinnung und -aufarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 3.4 Methodik bei der Bilanzierung des Pyrolyseprozesses im Festbettreaktor . . . . . . . . . . . . . . . . . . 69 3.4.1 Bilanzgleichungen und -annahmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 3.4.2 Fehlerabschätzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 4 Ergebnisse zur Charakterisierung der Einsatzmaterialien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.1 Brennstofftechnische Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.2 Chemisch-strukturelle Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 4.3 Physikalische Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86 5 Einfluss verfahrenstechnischer und rohstofflicher Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1 Bilanzfehler und Wiederholbarkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1.1 Vergleich der Bilanzierungsvarianten und Bilanzfehler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1.2 Wiederholbarkeit der Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 5.2 Einfluss verfahrenstechnischer Parameter auf Produktverteilung und -zusammensetzung . . . . 94 5.2.1 Einfluss radialer Temperaturgradienten in der Biomasseschüttung . . . . . . . . . . . . . . . . . . . . . 94 5.2.2 Pyrolysetemperatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.2.3 Empirische Gleichungen für die Temperaturabhängigkeit der Produktausbeuten . . . . . . . . . 103 5.2.4 Aufheizgeschwindigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 5.2.5 Feststoffverweilzeit bei Pyrolyseendtemperatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 5.3 Einfluss rohstofflicher Parameter auf Produktverteilung und -zusammensetzung . . . . . . . . . . . 111 5.3.1 Partikelgröße . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 5.3.2 Pyrolyse von Zellstoff, Xylan und Alkali-Lignin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 5.4 Kombinierte Betrachtungen zum Temperatur- und Rohstoffeinfluss . . . . . . . . . . . . . . . . . . . . . 120 6 Mathematische Zusammenhänge zwischen Rohstoffeigenschaften und Pyrolyseverhalten . . . . 133 6.1 Korrelation mit Rohstoffeigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 6.1.1 Produktausbeuten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 6.1.2 Produkteigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 6.1.3 Schlussfolgerungen zur Korrelation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 6.2 Regressionsanalyse und Multiple Regression zur Beschreibung des Pyrolyseverhaltens . . . . . 155 6.2.1 Modellvergleich am Beispiel der Koksausbeute bei 500 °C . . . . . . . . . . . . . . . . . . . . . . . . . . 155 6.2.2 Gleichungen zur Berechnung der Produktausbeuten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160 6.2.3 Gleichungen zur Berechnung der Produkteigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 6.2.4 Schlussfolgerungen zur Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 7 Vorhersagemöglichkeiten für das Pyrolyseverhalten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 7.1 Validierung der Modellgleichungen mit internem Datensatz . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 7.2 Validierung mit Literaturdaten zur Festbettpyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 8 Zusammenfassung und Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .181 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .187 Anhang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .208 A Weiterführende Informationen zu Kapitel 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .208 B Weiterführende Informationen zur Untersuchungsmethodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . .211 C Ergebnisse zur Einsatzstoffcharakterisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 D Ergebnisse zum Einfluss verfahrenstechnischer und rohstofflicher Parameter . . . . . . . . . . . . . . . 272 E Ergebnisse zur Korrelation des Pyrolyseverhaltens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .314 F Ergebnisse zur Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .348 G Ergebnisse zur Vorhersage des Pyrolyseverhaltens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .361

Den här studien har undersökt huruvida det föreligger något samband mellan prokrastinering, self-compassion och livstillfredsställelse. Det har även undersökts om studenter prokrastinerar i högre grad än de som arbetar. Studien har genomförts med en enkät som delats på internet och som till största delen spridits i Facebook-grupper. Det var 96 respondenter som svarade på enkäten och av dessa arbetade 61 personer och 35 studerade. Genom histogram framkom att underlaget för prokrastinering och livstillfredsställelse inte var normalfördelat. För att testa huruvida det föreligger någon signifikant skillnad mellan de som arbetar och de som studerar avseende prokrastinering, har det icke-parametriska testet Mann Whitney U använts. Resultatet visade att en signifikant skillnad föreligger och det är studenterna som i genomsnitt prokrastinerar i högst grad. Även skillnaden i grupperna avseende livstillfredsställelse testades med Mann Whitney U och en signifikant skillnad återfanns även här. Self-compassion jämfördes mellan studenter och arbetande med ett oberoende t-test, men någon signifikant skillnad förelåg inte. Vidare genomfördes korrelationsundersökningar, vilka testades med Spearman´s rho. Resultatet visade att det förelåg signifikanta korrelationer mellan prokrastinering och self-compassion samt self-compassion och livstillfredsställelse, men korrelationerna var relativt svaga. Slutsatsen blev således att studenterna prokrastinerade i högre grad än de som arbetade och att det fanns en signifikant negativ korrelation mellan prokrastinering och self-compassion samt en signifikant positiv korrelation mellan self-compassion och livstillfredsställelse. / The present study has examined whether there is any correlation between procrastination, self-compassion and life satisfaction and also whether students procrastinate to a greater extent than those who work. The study was conducted with a survey that was shared on the internet and was mainly distributed in Facebook groups. There were 96 respondents who answered the questionnaire and of these 61 worked and 35 studied. Histograms showed that the substrate for procrastination and life satisfaction was not normally distributed. To test whether there is any significant difference between those working and those studying when it comes to procrastination, the non-parametric Mann Whitney U test has been used. The results showed that there is a significant difference and it is the students who, on average, procrastinate most. The difference in life satisfaction groups was also tested with Mann Whitney U and a significant difference was also found here. The results from the self-compassion scale were tested with an independent t-test, and no statistically significant result was found. Correlation studies were also conducted, which were tested with Spearman´s rho. The results showed that there were significant correlations between procrastination and self-compassion as well as self-compassion and life satisfaction, but the correlations were relatively weak. The conclusion was that the students procrastinated to a greater extent than those who worked, and there was a significant negative correlation between procrastination and self-compassion and a significant positive correlation between self-compassion and life satisfaction.