Análise Multivariada dos Efluentes de uma Indústria de Pasta de Papel

Detalhes bibliográficos
Autor(a) principal: Nossa, Ana Raquel Gaspar Sousa
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Texto Completo: https://hdl.handle.net/10316/117748
Resumo: Dissertação de Mestrado em Química apresentada à Faculdade de Ciências e Tecnologia
id RCAP_a8d6571facd88a959d65f783270648d4
oai_identifier_str oai:estudogeral.uc.pt:10316/117748
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Análise Multivariada dos Efluentes de uma Indústria de Pasta de PapelMultivariate analysis of waste water from a pulp and paper industryIndustrial EffluentsPulp and PaperMultivariate AnalysisClusteringPrincipal Component AnalysisEfluentes IndustriaisPasta de PapelAnálise MultivariadaAnálise de AgrupamentosAnálise de Componentes PrincipaisDissertação de Mestrado em Química apresentada à Faculdade de Ciências e TecnologiaThe study and treatment of industrial effluents represent one of the great challenges worldwide. The implementation of adequate industrial effluent treatment systems, as well as their monitoring, implies an environmental awareness that aligns with the UN's Sustainable Development Goals (SDGs) for 2030. However, the growing amount of data to be analyzed by industries requires the implementation of practical, robust, and effective methodologies for analyzing multivariate data sets.In this context, unsupervised machine learning techniques, such as Principal Component Analysis (PCA) and Hierarchical Cluster Analysis (HCA), play a crucial role. These techniques allow the identification of hidden patterns and relationships in the data, which are essential for optimizing effluent treatment and monitoring processes. The application of these methodologies can lead to more efficient and sustainable management of water resources, aligning with current environmental and regulatory requirements.Therefore, this dissertation aims to analyze the overall effluent system of a pulp and paper industry, as well as the latest changes implemented in the effluent treatment carried out at the Wastewater Treatment Plant (WWTP) of the factory. Unsupervised machine learning techniques allowed a systematic evaluation of the data, providing valuable insights for the continuous improvement of effluent treatment processes and the environmental sustainability of the industry.The first phase of the study focused on characterizing the overall system of industrial effluents, consisting of 15 distinct partial effluents. It was possible to identify Chemical Oxygen Demand (COD), Color, and Conductivity as the variables that best characterize the partial effluents under analysis. The correlations established between the variables (i) Color and COD and (ii) Conductivity and Sodium Content are the most influential on the behavior of the effluents.The second phase of the study allowed evaluating the impact of applying either a conventional activated sludge treatment and a treatment based on Membrane Bioreactor (MBR) technology on the treated effluent, with the MBR treatment proving to be more effective in removing organic matter and suspended solids.The application of unsupervised machine learning techniques proved to be an asset for this paper industry, as: (i) the obtained results provide important information for understanding the industrial process concerning the generated effluents; (ii) it was possible to isolate and highlight factors that could be manipulated to achieve more sustainable processes; (iii) opportunities for future studies and possible metrics for effluent reuse were created; and (iv) it was possible to explain in a simple and intuitive way how the changes implemented in the production section can affect the effluents and their physicochemical characterization.O estudo e tratamento de efluentes industriais representa um dos grandes desafios do mundo atual. A implementação de sistemas de tratamento de efluentes industriais adequados, bem como a monitorização dos mesmos, implica uma consciencialização ambiental que está em linha com os ODS da ONU para o ano 2030. No entanto, o crescente número de dados para analisar por parte das indústrias requer a implementação de metodologias práticas, robustas e eficazes na análise de conjuntos de dados multivariados. Neste contexto, as técnicas de aprendizagem computacional não supervisionadas, como a Análise de Componentes Principais e a Análise Hierárquica de Agrupamento, desempenham um papel crucial. Estas técnicas permitem identificar padrões e relações ocultas nos dados, que são essenciais para otimizar os processos de tratamento e monitorização de efluentes. A aplicação destas metodologias pode conduzir a uma gestão mais eficiente e sustentável dos recursos hídricos, alinhando-se com as exigências ambientais e regulamentares atuais.Desta forma, esta dissertação tem como objetivos analisar o sistema global de efluentes de uma indústria de pasta de papel, bem como as mais recentes alterações implementadas no tratamento de efluentes realizado na Estação de Tratamento de Águas Residuais (ETAR) da fábrica. As técnicas de aprendizagem computacional não supervisionada permitiram uma avaliação sistemática dos dados, fornecendo indicações valiosas para a melhoria contínua dos processos de tratamento de efluentes e para a sustentabilidade ambiental da indústria. A primeira fase do estudo centrou-se na caracterização do sistema global de efluentes industriais, constituído por 15 efluentes parciais distintos. Foi possível identificar a Carência Química de Oxigénio (CQO), Cor e Condutividade como as variáveis que melhor caracterizam os efluentes parciais em análise. As correlações estabelecidas entre as variáveis (i) Cor e CQO e (ii) Condutividade e Teor em Sódio são as que mais influenciam o comportamento dos efluentes. A segunda fase do estudo permitiu avaliar o impacto da aplicação de um tratamento convencional por lamas ativadas ou um tratamento baseado na tecnologia de bioreactor com membrana (em inglês Membrane Bioreactor -MBR) no efluente tratado., sendo que o tratamento MBR revelou ser mais eficaz na remoção de matéria orgânica e sólidos em suspensão. A aplicação das técnicas de aprendizagem computacional não supervisionada revelou ser uma mais valia para esta indústria de pasta de papel, uma vez que: (i) os resultados obtidos fornecem informações importantes para a compreensão do processo industrial no que concerne aos efluentes gerados; 10(ii) foi possível isolar e destacar fatores que poderão ser manipulados para o alcance de processos mais sustentáveis; (iii) foram criadas oportunidades para estudos futuros e possíveis métricas de reaproveitamento dos efluentes e (iv) foi possível explicar de uma forma simples e intuitiva de que forma as alterações implementadas na secção de produção podem afetar os efluentes e a sua caracterização físico-química.2024-09-202030-09-19T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://hdl.handle.net/10316/117748https://hdl.handle.net/10316/117748TID:203826051porNossa, Ana Raquel Gaspar Sousainfo:eu-repo/semantics/embargoedAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-04-02T17:35:17Zoai:estudogeral.uc.pt:10316/117748Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T06:11:38.921165Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Análise Multivariada dos Efluentes de uma Indústria de Pasta de Papel
Multivariate analysis of waste water from a pulp and paper industry
title Análise Multivariada dos Efluentes de uma Indústria de Pasta de Papel
spellingShingle Análise Multivariada dos Efluentes de uma Indústria de Pasta de Papel
Nossa, Ana Raquel Gaspar Sousa
Industrial Effluents
Pulp and Paper
Multivariate Analysis
Clustering
Principal Component Analysis
Efluentes Industriais
Pasta de Papel
Análise Multivariada
Análise de Agrupamentos
Análise de Componentes Principais
title_short Análise Multivariada dos Efluentes de uma Indústria de Pasta de Papel
title_full Análise Multivariada dos Efluentes de uma Indústria de Pasta de Papel
title_fullStr Análise Multivariada dos Efluentes de uma Indústria de Pasta de Papel
title_full_unstemmed Análise Multivariada dos Efluentes de uma Indústria de Pasta de Papel
title_sort Análise Multivariada dos Efluentes de uma Indústria de Pasta de Papel
author Nossa, Ana Raquel Gaspar Sousa
author_facet Nossa, Ana Raquel Gaspar Sousa
author_role author
dc.contributor.author.fl_str_mv Nossa, Ana Raquel Gaspar Sousa
dc.subject.por.fl_str_mv Industrial Effluents
Pulp and Paper
Multivariate Analysis
Clustering
Principal Component Analysis
Efluentes Industriais
Pasta de Papel
Análise Multivariada
Análise de Agrupamentos
Análise de Componentes Principais
topic Industrial Effluents
Pulp and Paper
Multivariate Analysis
Clustering
Principal Component Analysis
Efluentes Industriais
Pasta de Papel
Análise Multivariada
Análise de Agrupamentos
Análise de Componentes Principais
description Dissertação de Mestrado em Química apresentada à Faculdade de Ciências e Tecnologia
publishDate 2024
dc.date.none.fl_str_mv 2024-09-20
2030-09-19T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10316/117748
https://hdl.handle.net/10316/117748
TID:203826051
url https://hdl.handle.net/10316/117748
identifier_str_mv TID:203826051
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/embargoedAccess
eu_rights_str_mv embargoedAccess
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833602609376657408

Registros relacionados