Analytical methods for analyzing organic peroxides

Työn tarkoituksena oli kehittää analyyttinen erotusmenetelmä eräässä valmistusprosessissa käytettävän hapettavan aineen ja liuottimen välillä syntyvien reaktiotuotteiden tutkimiseen ja analysoimiseen. Lisäksi tarkoituksena oli tutkia prosessiolosuhteiden turvallisuutta. Kirjallisuusosassa käsitellään erilaisia orgaanisia peroksideja, niiden käyttötarkoituksia ja niiden käyttöön liittyviä huomioitavia asioita. Lisäksi tarkastellaan yleisimpiä analyysimenetelmiä, joita on käytetty erilaisten peroksidien analysoinnissa. Näitä analyysimenetelmiä on useimmiten käytetty nestemäisten näytteiden tutkimuksissa. Harvemmin on analysoitu kaasu- ja kiintoainenäytteitä. Kokeellisessa osassa kehitettiin kirjallisuuden perusteella peroksidiyhdisteille identifiointimenetelmä ja tutkittiin prosessin näytteet. Analyysimenetelmiksi valittiin iodometrinen titraus ja HPLC-UV-MS-menetelmä. Lisäksi käytettiin peroksidimittaukseen soveltuvia testiliuskoja. Tutkimus osoitti, että iodometrisen titrauksen ja testiliuskojen perusteella näytteissä oli vähäisiä määriä peroksideja viikon jälkeen peroksidilisäyksestä. HPLC-UV-MS-analyysien perusteella näytteiden analysointia häiritsi selluloosa, jota löytyi jokaisesta näytteestä.

Comprehensive digital preservation repositories: gaps, and what do we mean by “repository” anyway?

Presentation at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

Open Preservation: Community Approaches to Ensuring Long-Term Access to Digital Collections

Presentation at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

Audio and Video Repositories at Scale: Indiana University’s Media Digitization and Preservation Initiative

Presentation at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

Ingest into the Digital Preservation Network: Standard Pipelines

Presentation at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

Recommendations for Preservation Data Policies

Poster at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

Supporting the creation, management, and long-term preservation of social science research data

Poster at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

In For a Penny, In For a Pound: The Management and Preservation of E-Theses in EPrints

Presentation at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

A Model for Integrating the Publication and Preservation of Journal Articles

Presentation at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

Digital Preservation Tools, Practices, and Policies in Islandora

Presentation at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

Designing a Bit Preservation System

Poster at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

Analyses of the usefulness of Software Defined Storage Solutions for Web-based Digital Preservation Applications

Presentation at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

Practical preservation with Arkivum & Eprints

Presentation at Open Repositories 2014, Helsinki, Finland, June 9-13, 2014

How Is Credit Risk Estimated? Discussion and Evidence based on Cross-Industry Sample Utilizing the KMV Model

The purpose of this thesis is to focus on credit risk estimation. Different credit risk estimation methods and characteristics of credit risk are discussed. The study is twofold, including an interview of a credit risk specialist and a quantitative section. Quantitative section applies the KMV model to estimate credit risk of 12 sample companies from three different industries: automobile, banking and financial sector and technology. Timeframe of the estimation is one year. On the basis of the KMV model and the interview, implications for analysis of credit risk are discussed. The KMV model yields consistent results with the existing credit ratings. However, banking and financial sector requires calibration of the model due to high leverage of the industry. Credit risk is considerably driven by leverage, value and volatility of assets. Credit risk models produce useful information on credit worthiness of a business. Yet, quantitative models often require qualitative support in the decision-making situation.