Mengmodel om ontwikkeling van groeimediamengels te versnellen

De transitie van niet-hernieuwbare groeimedia (met name op basis van veen) naar groeimedia met hernieuwbare materialen is zowel nodig om de milieu-impact van de sector te verlagen als een technische uitdaging. Hernieuwbare materialen zoals kokosvezel, houtvezel, boomschors en compost hebben elk hun eigen beperkingen. Daarom bestaan hernieuwbare groeimedia vaak uit verschillende componenten, wat betekent dat veel recepturen mogelijk zijn. Mengmodellen kunnen het ontwikkelen van dit soort mengsels versnellen door de behoefte aan proeven en 'trial and error' te verminderen.

Een recent project van de WUR heeft een bestaand mengmodel, ontwikkeld door Blok, Eveleens et al. (2019), gevalideerd en toegepast in een praktijkomgeving, en uitgebreid met een module voor volumeverlies om de noodzaak van laboratoriummetingen te verkleinen. Verschillen in bulkdichtheid en het bijhorende volumeverlies werden voorspeld met behulp van een statistisch machinelearningmodel, gabaseerd op de morfologie van de deeltjes in de materialen, verkregen via dynamische beeldanalyse (QICPIC-apparaat).

Het model voorspelde nauwkeurig waarden gerelateerd aan porositeit, organische stof en waterretentie voor materialen zoals kokosvezel en boomschors, maar toonde grotere variabiliteit bij compost en fijne houtvezel door batchverschillen en effecten van verwerking. Gewasproeven bevestigden de praktische relevantie van het model voor het sturen van irrigatie en het inschatten van de water-luchtbalans, terwijl ze ook de invloed van variatie, vuldichtheid en materiaalafhankelijke eigenschappen benadrukten. Het voorspellen van volumeverlies met behulp van deeltjesmorfologie bleek haalbaar, waardoor een snellere formulering van hernieuwbare groeimediarecepturen mogelijk werd, al blijven regelmatige updates met actuele materiaaldata en gerichte laboratoriumvalidatie noodzakelijk voor de betrouwbaarheid.

Lees hier het onderzoeksrapport