Cultivo e avaliação do potencial da microalga Chlorella zofingiensis para a produção de biodiesel e produtos de valor acrescentado

O presente trabalho tem como objetivo o cultivo da microalga Chlorella zofingiensis, e a avaliação da sua potencial aplicação na produção de biodiesel e de produtos de valor acrescentado, de entre os quais se destacam os antioxidantes. Com o intuito da produção de biocombustível é necessário efetuar o cultivo da microalga num volume que permita a obtenção de elevada quantidade de biomassa para a concretização do trabalho. Além deste biocombustível, existe ainda a possibilidade de valorização de alguns produtos com valor comercial, como é o caso da astaxantina, a saber na área farmacêutica, alimentar ou até mesmo cosmética. O cultivo da microalga foi feito em meio Bold’s Basal Medium (BBM), inicialmente em matrazes de 5 L e, quando se obteve uma cultura suficientemente densa, inocularam-se fotobiorreatores de 50 L. Conseguiu-se atingir uma concentração máxima de 0,76 g/L, no reator de 5 L, após cerca de 6 semanas de ensaio. Por sua vez, em fotobiorreatores de 50 L, a concentração máxima obtida foi de 0,4 g/L, após 4 semanas de ensaio. Nestas culturas foi possível obter-se uma percentagem lipídica de 7 %, apresentado concentração de pigmentos por litro de cultura na ordem dos 10 mg/L, 4 mg/L e 2 mg/L de clorofila a, clorofila b e carotenoides totais, respetivamente. Com esta percentagem lipídica recuperaram-se 400 mg de óleo, obtendo-se posteriormente 280 mg de biodiesel. Pela análise à amostra de biodiesel obtida foi possível obter o perfil lipídico desta microalga, quando cultivada em meio BBM, sendo 41% de ácido palmítico (C16:0), 9% de ácido esteárico (C18:0), 27% de ácido oleico (C18:1) e 23% de ácido linoleico (C18:2). Os resultados obtidos mostram que a Chlorella zofingiensis é uma microalga com interesse potencial para a produção de clorofila e carotenóides, mas não para o óleo para a produção de biodiesel.

Dynamic artificial neural network for electricity market prices forecast

This paper presents an artificial neural network applied to the forecasting of electricity market prices, with the special feature of being dynamic. The dynamism is verified at two different levels. The first level is characterized as a re-training of the network in every iteration, so that the artificial neural network can able to consider the most recent data at all times, and constantly adapt itself to the most recent happenings. The second level considers the adaptation of the neural network’s execution time depending on the circumstances of its use. The execution time adaptation is performed through the automatic adjustment of the amount of data considered for training the network. This is an advantageous and indispensable feature for this neural network’s integration in ALBidS (Adaptive Learning strategic Bidding System), a multi-agent system that has the purpose of providing decision support to the market negotiating players of MASCEM (Multi-Agent Simulator of Competitive Electricity Markets).

Scheduling distributed energy resources in an isolated grid - an artificial neural network approach

Power Systems (PS), have been affected by substantial penetration of Distributed Generation (DG) and the operation in competitive environments. The future PS will have to deal with large-scale integration of DG and other distributed energy resources (DER), such as storage means, and provide to market agents the means to ensure a flexible and secure operation. Virtual power players (VPP) can aggregate a diversity of players, namely generators and consumers, and a diversity of energy resources, including electricity generation based on several technologies, storage and demand response. This paper proposes an artificial neural network (ANN) based methodology to support VPP resource schedule. The trained network is able to achieve good schedule results requiring modest computational means. A real data test case is presented.

Mixed integer non linear programming and artificial neural network based approach to ancillary services dispatch in competitive electricity markets

Ancillary services represent a good business opportunity that must be considered by market players. This paper presents a new methodology for ancillary services market dispatch. The method considers the bids submitted to the market and includes a market clearing mechanism based on deterministic optimization. An Artificial Neural Network is used for day-ahead prediction of Regulation Down, regulation-up, Spin Reserve and Non-Spin Reserve requirements. Two test cases based on California Independent System Operator data concerning dispatch of Regulation Down, Regulation Up, Spin Reserve and Non-Spin Reserve services are included in this paper to illustrate the application of the proposed method: (1) dispatch considering simple bids; (2) dispatch considering complex bids.

Using neural networks and support vector regression to relate marchetti dilatometer test parameters and maximum shear modulus

In the last two decades, small strain shear modulus became one of the most important geotechnical parameters to characterize soil stiffness. Finite element analysis have shown that in-situ stiffness of soils and rocks is much higher than what was previously thought and that stress-strain behaviour of these materials is non-linear in most cases with small strain levels, especially in the ground around retaining walls, foundations and tunnels, typically in the order of 10−2 to 10−4 of strain. Although the best approach to estimate shear modulus seems to be based in measuring seismic wave velocities, deriving the parameter through correlations with in-situ tests is usually considered very useful for design practice.The use of Neural Networks for modeling systems has been widespread, in particular within areas where the great amount of available data and the complexity of the systems keeps the problem very unfriendly to treat following traditional data analysis methodologies. In this work, the use of Neural Networks and Support Vector Regression is proposed to estimate small strain shear modulus for sedimentary soils from the basic or intermediate parameters derived from Marchetti Dilatometer Test. The results are discussed and compared with some of the most common available methodologies for this evaluation.

Using neural networks and support vector regression to relate marchetti dilatometer test parameters and maximum shear modulus

In the last two decades, small strain shear modulus became one of the most important geotechnical parameters to characterize soil stiffness. Finite element analysis have shown that in-situ stiffness of soils and rocks is much higher than what was previously thought and that stress-strain behaviour of these materials is non-linear in most cases with small strain levels, especially in the ground around retaining walls, foundations and tunnels, typically in the order of 10−2 to 10−4 of strain. Although the best approach to estimate shear modulus seems to be based in measuring seismic wave velocities, deriving the parameter through correlations with in-situ tests is usually considered very useful for design practice.The use of Neural Networks for modeling systems has been widespread, in particular within areas where the great amount of available data and the complexity of the systems keeps the problem very unfriendly to treat following traditional data analysis methodologies. In this work, the use of Neural Networks and Support Vector Regression is proposed to estimate small strain shear modulus for sedimentary soils from the basic or intermediate parameters derived from Marchetti Dilatometer Test. The results are discussed and compared with some of the most common available methodologies for this evaluation.

Desenvolvimento de um biossensor para Ácido Glutâmico

A presente dissertação tem com objetivo o desenvolvimento de um biossensor com base nos polímeros de impressão molecular para a deteção de uma molécula alvo, o ácido glutâmico que é convertido em glutamina pela glutamina sintetase, recorrendo à potenciometria. Nas células neoplásicas a glutamina não é sintetizada podendo-se considerar que o ácido glutâmico é um potencial agente anti-cancro. A técnica de impressão molécular utilizada foi a polimerização em bulk, combinando a acrilamida e a bis acrilamida com o ácido glutâmico. Para se verificar se a resposta potenciométrica obtida era de facto da molécula alvo foram preparados em paralelo com os sensores, materiais de controlo, ou seja, moléculas sem impressão molécular (NIP). Para se controlar a constituíção química dos vários sensores nomeadamente, do NIP e do polímero de impressão molecular (MIP) antes e após a remoção bem como a molécula foram realizados estudos de Espetroscopia de Infravermelhos de Transformada de Fourier (FTIR), Scanning electron microscope (SEM) e Espetroscopia de Raios X por dispersão em energia (EDS). Os materiais desenvolvidos foram aplicados em várias membranas que diferiam umas das outras, sendo seletivas ao ião. A avaliação das características gerais das membranas baseou-se na análise das curvas de calibração, conseguidas em meios com pHs diferentes, comparando os vários elétrodos. O pH 5 foi o que apresentou melhor resultado, associado a uma membrana que continha um aditivo, o p-tetra-octilphenol, e com o sensor com percentagem de 3%. Posto isto, testou-se em material biológico, urina, com as melhores características quer em termos de sensibilidade (18,32mV/década) quer em termos de linearidade (1,6x10-6 a 1,48x10-3 mol/L). Verificou-se ainda que aplicando iões interferentes na solução, estes não interferem nesta, podendo ser aplicados na amostra sem que haja alteração na resposta potenciométrica. O elétrodo é capaz de distinguir o ácido glutâmico dos restantes iões presentes na solução.