Analysis of chromium behaviour and speciation during the electrodialytic process

The interest in chromium (Cr) arises from the widespread use of this heavy metal in various industrial processes that cause its release as liquid, solid and gaseous waste into the environment. The impact of Cr on the environment and living organisms primarily depends on its chemical form, since Cr(III) is an essential micronutrient for humans, other animals and plants, and Cr(VI) is highly toxic and a known human carcinogen. This study aimed to evaluate if the electrodialytic process (ED) is an appropriate treatment for Cr removal, through a critical overview of Cr speciation, before and after the ED experiments, to assess possible Cr(III)-Cr(VI) interconversions during the treatment. ED was the treatment technique applied to two types of matrices containing Cr: chromate copper arsenate (CCA) contaminated soil and municipal solid waste incineration (MSWI) fly ash. In order to study Cr remediation, three EDR set-ups were used: a new set-up, the combined cell (2/3C or 3/2C), with three compartments, alternating current between two anodes and different initial experimental conditions, one set-up with three compartments (3C cell) and the other set-up with two compartments (2C cell). The Cr removal rates obtained in this study were between 10-36% for the soil, and 1-13% for the fly ash. The highest Cr removal rates were achieved in the 26 days experiments: 36% for the soil, 13% for the fly ash. Regarding the 13 days experiments, the highest Cr removal rates were attained with the 2/3C set-up: 24% for the soil, 5% for the fly ash. The analysis of Cr(VI) was performed before and after ED experiments to evaluate eventual changes in Cr speciation during the treatment. This analysis was conducted by two methods: USEPA Method 3060A, for the extraction of Cr(VI); and Hach Company Method 8023, for the detection of Cr(VI). Despite the differences in Cr total concentration, both matrices presented a similar speciation, with Cr(III) being the main species found and Cr(VI) less than 3% of Cr total, before and after the treatment. For fly ash, Cr(VI) was initially below the detection limit of the method and remained that way after the treatment. For soil, Cr(VI) decreased after the treatment. Oxidation of Cr(III) to Cr(VI) did not occur during the ED process since there was no increase in Cr(VI) in the matrices after the treatment. Hence, the results of this study indicate that ED is an appropriate technique to remediate matrices containing Cr because it contributes to Cr removal, without causing Cr(III)-Cr(VI) interconversions.

From user browsing behaviour to user demographics

A Internet conta hoje com mais de 3 mil milhões de utilizadores e esse valor não para de aumentar. Desta forma, proporcionar uma experiência online agradável aos seus utilizadores é cada vez mais importante para as empresas. De modo a tirar partido dos benefícios deste crescimento, as empresas devem ser capazes de identificar os seus clientes-alvo dentro do total de utilizadores; e, subsequentemente, personalizar a sua experiência online. Existem diversas formas de estudar o comportamento online dos utilizadores; no entanto, estas não são ideais e existe uma ampla margem para melhoria. A inovação nesta área pode comportar um grande potencial comercial e até ser disruptiva. Com isto em mente, proponho-me a estudar a possível criacão de um sistema de aprendizagem automática (machine learning) que permita prever informa ações demográficas dos utilizadores estritamente com base no seu comportamento online. Tal sistema poderia constituir uma alternativa às atuais opções, que são mais invasivas; mitigando assim preocupações ao nível da proteção de dados pessoais. No primeiro capítulo (Introdução) explico a motivação para o estudo do comportamento dos utilizadores online por parte de empresas, e descrevo as opções disponíveis atualmente. Apresento também a minha proposta e o contexto em que assenta. O capítulo termina com a identicação de limitações que possam existir a priori. O segundo capítulo (Machine Learning) fornece uma introdução sobre machine learning, com o estudo dos algoritmos que vão ser utilizados e explicando como analisar os resultados. O terceiro capítulo (Implementação) explica a implementação do sistema proposto e descreve o sistema que desenvolvi no decorrer deste estudo, e como integra-lo em sistemas já existentes. No quarto capítulo (Análise e manipulação dos dados), mostro os dados compilados e explico como os recolhi e manipulei para testar a hipótese. No quinto capítulo (Análise de dados e discussão) vemos como e que os dados recolhidos foram usados pelos vários algoritmos para descobrir como se correlacionam com dados dos utilizadores e analiso e discuto os resultados observados. Por fim, o sexto e último capítulo apresenta as conclusões. Dependendo dos resultados, mostro como a hipótese poderia ser melhor testada, ou então discuto os próximos passos para tornar o sistema realidade.