Aplicabilidad de tratamientos biológicos en suelos contaminados con hidrocarburos pesados, como alternativa a la incineración, en la industria petrolera Argentina
Tesis Materias > Ingeniería Universidad Internacional Iberoamericana México > Docencia > Trabajos finales de Máster Cerrado Español En la industria Petrolera de la República Argentina, los suelos que resultan del producto de la limpieza de tanques o saneamiento de derrames de petróleos pesados, generan un problema de gran impacto en materia ambiental y de productividad. Desde el punto de vista ambiental, durante la limpieza de estos eventos se generan grandes volúmenes de residuos que se acopian transitoriamente en piletas “a cielo abierto”. En cuanto al aspecto productivo, la presencia de estos sedimentos en los tanques resta capacidad de almacenar y producir petróleo. El presente proyecto constó de varias etapas: las cuales se pueden enmarcar en estudios preliminares, de tratamiento propiamente dicho y posterior análisis de viabilidad económica. El primer paso constó de un análisis del caso de estudio, para el cual se seleccionó un volumen de suelos con hidrocarburos acopiados en sitios destinados para acopios transitorios y su posterior tratamiento. El trabajo fue diseñado tomando una porción de 800 m3 de suelos afectados por hidrocarburos, los cuales fueron muestreados con fines de realizar el estudio de viabilidad técnica realizando un ensayo de biodegradabilidad. El mismo demandó 15 días de ensayos en laboratorios dando por resultado que el suelo seleccionado es tratable bajo la metodología de Biorremediación bajo la técnica de biopilas aireadas mecánicamente. Estos ensayos se realizaron con los laboratorios de la Facultad de Ingeniería de la Universidad Nacional de Cuyo. Posteriormente procedimos al acondicionamiento del suelo y al armado de la biopila, el acondicionamiento constó del agregado de nutrientes de forma que alcanzara para una biodegradación mensual del 35 al 30%, luego se realizó la humectación del suelo alcanzando la humedad deseada para este tipo de tratamientos. Posteriormente se realizó armado de la biopila para dar inicio al tratamiento propiamente dicho. En cuanto a las concentraciones de hidrocarburos en suelo iniciaron con una concentración que rondó el 10% (100.000 ppm), esta concentración llegó hasta el 12%. A partir de esta concentración la curva de los hidrocarburos fue decayendo hasta llegar al objetivo de limpieza que es el 1% o 10.000 ppm. Este proceso demandó 18 meses de trabajo, pero se cumplió con la meta de limpieza. Posteriormente se realizó la evaluación económica del trabajo final, el cual se basó en comparar los tiempos de tratamiento del mismo volumen de suelo bajo la técnica de biorremediación con la técnica de incineración de residuos. El resultado final de este estudio indica que transportar e incinerar este volumen de suelo demandaría unos 12 meses vs los 18 meses de tratamiento bajo la metodología del proyecto. Luego se procedió a realizar el análisis de los costos de ambas tecnologías el cual por lógica la incineración es 10 veces más costosa que la biorremediación de suelos. En conclusión, se puede decir que la biorremediación de suelos mediante la técnica de biopilas aireadas mecánicamente es aplicable para resolución los suelos afectados por hidrocarburos de alto peso molecular. metadata Tettamanti, Guillermo Adrian mail guilleat@gmail.com (2022) Aplicabilidad de tratamientos biológicos en suelos contaminados con hidrocarburos pesados, como alternativa a la incineración, en la industria petrolera Argentina. Masters thesis, SIN ESPECIFICAR.
Texto completo no disponible.Resumen
En la industria Petrolera de la República Argentina, los suelos que resultan del producto de la limpieza de tanques o saneamiento de derrames de petróleos pesados, generan un problema de gran impacto en materia ambiental y de productividad. Desde el punto de vista ambiental, durante la limpieza de estos eventos se generan grandes volúmenes de residuos que se acopian transitoriamente en piletas “a cielo abierto”. En cuanto al aspecto productivo, la presencia de estos sedimentos en los tanques resta capacidad de almacenar y producir petróleo. El presente proyecto constó de varias etapas: las cuales se pueden enmarcar en estudios preliminares, de tratamiento propiamente dicho y posterior análisis de viabilidad económica. El primer paso constó de un análisis del caso de estudio, para el cual se seleccionó un volumen de suelos con hidrocarburos acopiados en sitios destinados para acopios transitorios y su posterior tratamiento. El trabajo fue diseñado tomando una porción de 800 m3 de suelos afectados por hidrocarburos, los cuales fueron muestreados con fines de realizar el estudio de viabilidad técnica realizando un ensayo de biodegradabilidad. El mismo demandó 15 días de ensayos en laboratorios dando por resultado que el suelo seleccionado es tratable bajo la metodología de Biorremediación bajo la técnica de biopilas aireadas mecánicamente. Estos ensayos se realizaron con los laboratorios de la Facultad de Ingeniería de la Universidad Nacional de Cuyo. Posteriormente procedimos al acondicionamiento del suelo y al armado de la biopila, el acondicionamiento constó del agregado de nutrientes de forma que alcanzara para una biodegradación mensual del 35 al 30%, luego se realizó la humectación del suelo alcanzando la humedad deseada para este tipo de tratamientos. Posteriormente se realizó armado de la biopila para dar inicio al tratamiento propiamente dicho. En cuanto a las concentraciones de hidrocarburos en suelo iniciaron con una concentración que rondó el 10% (100.000 ppm), esta concentración llegó hasta el 12%. A partir de esta concentración la curva de los hidrocarburos fue decayendo hasta llegar al objetivo de limpieza que es el 1% o 10.000 ppm. Este proceso demandó 18 meses de trabajo, pero se cumplió con la meta de limpieza. Posteriormente se realizó la evaluación económica del trabajo final, el cual se basó en comparar los tiempos de tratamiento del mismo volumen de suelo bajo la técnica de biorremediación con la técnica de incineración de residuos. El resultado final de este estudio indica que transportar e incinerar este volumen de suelo demandaría unos 12 meses vs los 18 meses de tratamiento bajo la metodología del proyecto. Luego se procedió a realizar el análisis de los costos de ambas tecnologías el cual por lógica la incineración es 10 veces más costosa que la biorremediación de suelos. En conclusión, se puede decir que la biorremediación de suelos mediante la técnica de biopilas aireadas mecánicamente es aplicable para resolución los suelos afectados por hidrocarburos de alto peso molecular.
| Tipo de Documento: | Tesis (Masters) |
|---|---|
| Palabras Clave: | Biopilas Aireadas mecánicamente, Biorremediación; Hidrocarburos de alto peso molecular; incineración; volteos, aireación, Tiempo de tratamiento, Costos |
| Clasificación temática: | Materias > Ingeniería |
| Divisiones: | Universidad Internacional Iberoamericana México > Docencia > Trabajos finales de Máster |
| Depositado: | 18 Oct 2023 23:30 |
| Ultima Modificación: | 18 Oct 2023 23:30 |
| URI: | https://repositorio.unini.edu.mx/id/eprint/744 |
Acciones (logins necesarios)
 |
Ver Objeto |
<a class="ep_document_link" href="/10290/1/Influence%20of%20E-learning%20training%20on%20the%20acquisition%20of%20competences%20in%20basketball%20coaches%20in%20Cantabria.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
The main aim of this study was to analyse the influence of e-learning training on the acquisition of competences in basketball coaches in Cantabria. The current landscape of basketball coach training shows an increasing demand for innovative training models and emerging pedagogies, including e-learning-based methodologies. The study sample consisted of fifty students from these courses, all above 16 years of age (36 males, 14 females). Among them, 16% resided outside the autonomous community of Cantabria, 10% resided more than 50 km from the city of Santander, 36% between 10 and 50 km, 14% less than 10 km, and 24% resided within Santander city. Data were collected through a Google Forms survey distributed by the Cantabrian Basketball Federation to training course students. Participation was voluntary and anonymous. The survey, consisting of 56 questions, was validated by two sports and health doctors and two senior basketball coaches. The collected data were processed and analysed using Microsoft® Excel version 16.74, and the results were expressed in percentages. The analysis revealed that 24.60% of the students trained through the e-learning methodology considered themselves fully qualified as basketball coaches, contrasting with 10.98% of those trained via traditional face-to-face methodology. The results of the study provide insights into important characteristics that can be adjusted and improved within the investigated educational process. Moreover, the study concludes that e-learning training effectively qualifies basketball coaches in Cantabria.
Josep Alemany Iturriaga mail josep.alemany@uneatlantico.es, Álvaro Velarde-Sotres mail alvaro.velarde@uneatlantico.es, Javier Jorge mail , Kamil Giglio mail ,
Alemany Iturriaga
<a href="/12747/1/sensors-24-03754%20%281%29.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Driving while drowsy poses significant risks, including reduced cognitive function and the potential for accidents, which can lead to severe consequences such as trauma, economic losses, injuries, or death. The use of artificial intelligence can enable effective detection of driver drowsiness, helping to prevent accidents and enhance driver performance. This research aims to address the crucial need for real-time and accurate drowsiness detection to mitigate the impact of fatigue-related accidents. Leveraging ultra-wideband radar data collected over five minutes, the dataset was segmented into one-minute chunks and transformed into grayscale images. Spatial features are retrieved from the images using a two-dimensional Convolutional Neural Network. Following that, these features were used to train and test multiple machine learning classifiers. The ensemble classifier RF-XGB-SVM, which combines Random Forest, XGBoost, and Support Vector Machine using a hard voting criterion, performed admirably with an accuracy of 96.6%. Additionally, the proposed approach was validated with a robust k-fold score of 97% and a standard deviation of 0.018, demonstrating significant results. The dataset is augmented using Generative Adversarial Networks, resulting in improved accuracies for all models. Among them, the RF-XGB-SVM model outperformed the rest with an accuracy score of 99.58%.
Hafeez Ur Rehman Siddiqui mail , Ambreen Akmal mail , Muhammad Iqbal mail , Adil Ali Saleem mail , Muhammad Amjad Raza mail , Kainat Zafar mail , Aqsa Zaib mail , Sandra Dudley mail , Jon Arambarri mail jon.arambarri@uneatlantico.es, Ángel Gabriel Kuc Castilla mail , Furqan Rustam mail ,
Siddiqui
<a href="/12749/1/fnut-11-1083759.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
In the last decades, the world population and demand for any kind of product have grown exponentially. The rhythm of production to satisfy the request of the population has become unsustainable and the concept of the linear economy, introduced after the Industrial Revolution, has been replaced by a new economic approach, the circular economy. In this new economic model, the concept of “the end of life” is substituted by the concept of restoration, providing a new life to many industrial wastes. Leaves are a by-product of several agricultural cultivations. In recent years, the scientific interest regarding leaf biochemical composition grew, recording that plant leaves may be considered an alternative source of bioactive substances. Plant leaves’ main bioactive compounds are similar to those in fruits, i.e., phenolic acids and esters, flavonols, anthocyanins, and procyanidins. Bioactive compounds can positively influence human health; in fact, it is no coincidence that the leaves were used by our ancestors as a natural remedy for various pathological conditions. Therefore, leaves can be exploited to manufacture many products in food (e.g., being incorporated in food formulations as natural antioxidants, or used to create edible coatings or films for food packaging), cosmetic and pharmaceutical industries (e.g., promising ingredients in anti-aging cosmetics such as oils, serums, dermatological creams, bath gels, and other products). This review focuses on the leaves’ main bioactive compounds and their beneficial health effects, indicating their applications until today to enhance them as a harvesting by-product and highlight their possible reuse for new potential healthy products.
Lucia Regolo mail , Francesca Giampieri mail francesca.giampieri@uneatlantico.es, Maurizio Battino mail maurizio.battino@uneatlantico.es, Yasmany Armas Diaz mail , Bruno Mezzetti mail , Maria Elexpuru Zabaleta mail maria.elexpuru@uneatlantico.es, Cristina Mazas Pérez-Oleaga mail cristina.mazas@uneatlantico.es, Kilian Tutusaus mail kilian.tutusaus@uneatlantico.es, Luca Mazzoni mail ,
Regolo
<a href="/12750/1/s41598-024-63831-0.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Efficient deep learning-based approach for malaria detection using red blood cell smears
Malaria is an extremely malignant disease and is caused by the bites of infected female mosquitoes. This disease is not only infectious among humans, but among animals as well. Malaria causes mild symptoms like fever, headache, sweating and vomiting, and muscle discomfort; severe symptoms include coma, seizures, and kidney failure. The timely identification of malaria parasites is a challenging and chaotic endeavor for health staff. An expert technician examines the schematic blood smears of infected red blood cells through a microscope. The conventional methods for identifying malaria are not efficient. Machine learning approaches are effective for simple classification challenges but not for complex tasks. Furthermore, machine learning involves rigorous feature engineering to train the model and detect patterns in the features. On the other hand, deep learning works well with complex tasks and automatically extracts low and high-level features from the images to detect disease. In this paper, EfficientNet, a deep learning-based approach for detecting Malaria, is proposed that uses red blood cell images. Experiments are carried out and performance comparison is made with pre-trained deep learning models. In addition, k-fold cross-validation is also used to substantiate the results of the proposed approach. Experiments show that the proposed approach is 97.57% accurate in detecting Malaria from red blood cell images and can be beneficial practically for medical healthcare staff.
Muhammad Mujahid mail , Furqan Rustam mail , Rahman Shafique mail , Elizabeth Caro Montero mail elizabeth.caro@uneatlantico.es, Eduardo René Silva Alvarado mail eduardo.silva@funiber.org, Isabel de la Torre Diez mail , Imran Ashraf mail ,
Mujahid
<a href="/12751/1/s12874-024-02249-8.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
In contemporary society, depression has emerged as a prominent mental disorder that exhibits exponential growth and exerts a substantial influence on premature mortality. Although numerous research applied machine learning methods to forecast signs of depression. Nevertheless, only a limited number of research have taken into account the severity level as a multiclass variable. Besides, maintaining the equality of data distribution among all the classes rarely happens in practical communities. So, the inevitable class imbalance for multiple variables is considered a substantial challenge in this domain. Furthermore, this research emphasizes the significance of addressing class imbalance issues in the context of multiple classes. We introduced a new approach Feature group partitioning (FGP) in the data preprocessing phase which effectively reduces the dimensionality of features to a minimum. This study utilized synthetic oversampling techniques, specifically Synthetic Minority Over-sampling Technique (SMOTE) and Adaptive Synthetic (ADASYN), for class balancing. The dataset used in this research was collected from university students by administering the Burn Depression Checklist (BDC). For methodological modifications, we implemented heterogeneous ensemble learning stacking, homogeneous ensemble bagging, and five distinct supervised machine learning algorithms. The issue of overfitting was mitigated by evaluating the accuracy of the training, validation, and testing datasets. To justify the effectiveness of the prediction models, balanced accuracy, sensitivity, specificity, precision, and f1-score indices are used. Overall, comprehensive analysis demonstrates the discrimination between the Conventional Depression Screening (CDS) and FGP approach. In summary, the results show that the stacking classifier for FGP with SMOTE approach yields the highest balanced accuracy, with a rate of 92.81%. The empirical evidence has demonstrated that the FGP approach, when combined with the SMOTE, able to produce better performance in predicting the severity of depression. Most importantly the optimization of the training time of the FGP approach for all of the classifiers is a significant achievement of this research.
Tumpa Rani Shaha mail , Momotaz Begum mail , Jia Uddin mail , Vanessa Yélamos Torres mail vanessa.yelamos@funiber.org, Josep Alemany Iturriaga mail josep.alemany@uneatlantico.es, Imran Ashraf mail , Md. Abdus Samad mail ,
Shaha