Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/89223
Título: | Tailored recovery of rare earth elements from fluorescent lamps industry leachates towards new catalytic applications |
Outro(s) título(s): | Recuperação de terras raras de lixiviados de lâmpadas fluorescentes para aplicações catalíticas |
Autor(es): | Barros, Óscar José Maciel |
Orientador(es): | Tavares, T. Neves, Isabel C. |
Palavras-chave: | Terras raras Adsorção Dessorção Machine learning Catálise Rare earths elements Adsorption Desorption Catalysis |
Data: | 23-Jan-2024 |
Resumo(s): | As terras raras são elementos químicos conhecidos como REE (do inglês, Rare Earth Elements),
essenciais em diversas aplicações tecnológicas que fazem parte do quotidiano. A procura destes
elementos químicos tem vindo a aumentar devido ao seu grande consumo e aplicações. Os zeólitos são
aluminossilicatos sólidos porosos, bastante utilizados na recuperação de metais de águas contaminadas,
podendo ainda ser aplicados como catalisadores heterogéneos em reações de interesse industrial. Esta
tese tem como objetivos o desenvolvimento de um sistema de recuperação de terras raras de águas
contaminadas em múltiplos ciclos de adsorção e dessorção e a validação da utilização das terras raras
suportadas em zeólitos em reações catalíticas. A modificação química da superfície de diferentes zeólitos
foi efetuada com vista à otimização da recuperação de terras raras de águas contaminadas. Verificou-se
que o melhor zeólito modificado consegue remover mais de 80 % de todos as terras raras presentes na
solução de ensaio e obtiveram-se recuperações acima de 90 % por posterior lixiviação dos sorventes. A
estes resultados foram aplicadas, com sucesso, técnicas de machine learning (ML), nomeadamente
supervised e unsurpervised learning. Em regime de supervised learning foram aplicados algoritmos de
classificação aos dados experimentais e a possibilidade de regressão. Em unsupervised learning, foram
aplicados algoritmos para redução da dimensionalidade dos dados utilizados na elaboração dos clusters.
A segunda parte é a continuação natural da anterior, em que o melhor zeólito passa de testes batch para
ensaios em coluna, nos quais se atingiu mais de 70 % de remoção e uma recuperação, após a otimização,
acima de 80 % para todas as REE testadas. As mesmas análises de ML foram aplicadas com sucesso
aos resultados obtidos neste sistema aberto. A capacidade catalítica das REE suportadas nos zeólitos foi
testada em reações tipo Fenton para a degradação de dois corantes, a tartrazina e o índigo de carmim,
após a adição de ferro aos referidos zeólitos com REE. A degradação obtida para a tartrazina foi superior
a 80 %, enquanto para o índigo de carmim foi superior a 95 %. Algoritmos de ML foram aplicados
eficazmente na análise dos resultados obtidos de degradação. Rare earth elements, known as REE, are essential chemical elements with diverse technological applications that are part of everyday life. The demand for these elements has increased due to their high consumption and applications. Zeolites are porous solid aluminosilicates, widely used to recover metals from contaminated water and can also be applied as supports for heterogeneous catalysis. This thesis aims to develop a system for recovering REE in multiple adsorption and desorption cycles and to verify the possible use of REE supported on zeolites in catalytical reactions. Finally, machine learning (ML) algorithms were tested to select and to predict the behavior of REE and zeolite systems. Chemical surface modifications of different zeolites were carried out to optimize the recovery REE from contaminated water. The best modified zeolites can remove more than 80 % of all tested REE present in the test solution and recover above 90 % have been obtained by leaching the sorbents. ML techniques were successfully applied to these results namely unsupervised and supervised learning. Within the supervised learning, classification algorithms were applied to the collected data to select the best modified zeolites and to test the possibility of regression, validating the predictive ability of these algorithms on the removal of REE from wastewater. Within the unsupervised learning, algorithms were applied to reduce the dimensionality of the data used to create the clusters. The second part is the natural follow up of the previous work, where the best zeolites were used in continuous flow assays. A total REE removal above 70 % was obtained and a total REE recovery above 80 % for all REE tested after optimization. The same ML analyses were successfully applied. The catalytical capacity of the REE/zeolite was tested in Fenton-type reactions for the degradation of two dyes, tartrazine and indigo carmine, after the addition of iron to the REE/zeolite. The degradation for tartrazine was above 80%, while for indigo carmine, it was higher than 95 %. As previously described, ML algorithms were successfully applied to analyze the obtained results. |
Tipo: | Tese de doutoramento |
Descrição: | Tese de doutoramento em Chemical and Biological Engineering |
URI: | https://hdl.handle.net/1822/89223 |
Acesso: | Acesso aberto |
Aparece nas coleções: |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Óscar José Maciel Barros.pdf | Tese de doutoramento | 8,48 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons