Estudo de Argamassas com Cinza de Casca de Amêndoa

Perante o elevado consumo de materiais naturais no processo e produtos na área da construção civil, o reaproveitamento de resíduos é uma das soluções a ser estudada. As cinzas agroindustriais têm lugar de destaque entre estes resíduos, pois têm a possibilidade de aplicação em materiais cimentícios, reduzindo assim o consumo de cimento de Portland. O presente estudo debruça-se sobre a substituição parcial (1,5% e 5%) de cimento de Portland por cinzas de casca de amêndoa. Realizaram-se provetes com diferentes tipos de argamassas: (i) uma de controlo sem substituição de cimento (ARF); (ii) uma com 1,5% de substituição parcial de cimento por cinzas de casca de amêndoa (CCA 1,5%); (iii) e uma com 5% de substituição parcial de cimento por cinza de casca de amêndoa (CCA 5%). Executaram-se ensaios para resistências mecânicas aos 3, 7, 14, 28 e 41 dias de idade. A nível químico pode-se concluir que esta cinza de casca de amêndoa não apresentou qualquer potencial pozolânico. A trabalhabilidade na generalidade diminui ligeiramente, contendo cinza de casca de amêndoa, mas ainda assim considerando-se de fácil manuseamento. Em relação às resistências mecânicas, pode-se concluir que o ideal é a substituição parcial de cimento com 1,5%, pois as resistências diminuem com o uso de uma maior percentagem de substituição, ou seja, o ideal é substituir em pequenas percentagens. Com os dados obtidos, conclui-se que as cinzas testadas não apresentam características necessárias para serem consideradas pozolanas e se será viável a sua utilização mesmo como filer.

Using data mining techniques to support breast cancer diagnosis

More than ever, there is an increase of the number of decision support methods and computer aided diagnostic systems applied to various areas of medicine. In breast cancer research, many works have been done in order to reduce false-positives when used as a double reading method. In this study, we aimed to present a set of data mining techniques that were applied to approach a decision support system in the area of breast cancer diagnosis. This method is geared to assist clinical practice in identifying mammographic findings such as microcalcifications, masses and even normal tissues, in order to avoid misdiagnosis. In this work a reliable database was used, with 410 images from about 115 patients, containing previous reviews performed by radiologists as microcalcifications, masses and also normal tissue findings. Throughout this work, two feature extraction techniques were used: the gray level co-occurrence matrix and the gray level run length matrix. For classification purposes, we considered various scenarios according to different distinct patterns of injuries and several classifiers in order to distinguish the best performance in each case described. The many classifiers used were Naïve Bayes, Support Vector Machines, k-nearest Neighbors and Decision Trees (J48 and Random Forests). The results in distinguishing mammographic findings revealed great percentages of PPV and very good accuracy values. Furthermore, it also presented other related results of classification of breast density and BI-RADS® scale. The best predictive method found for all tested groups was the Random Forest classifier, and the best performance has been achieved through the distinction of microcalcifications. The conclusions based on the several tested scenarios represent a new perspective in breast cancer diagnosis using data mining techniques.