Publicação

Tailored recovery of rare earth elements from fluorescent lamps industry leachates towards new catalytic applications

Detalhes bibliográficos
Resumo:	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.
Autores principais:	Barros, Óscar José Maciel
Assunto:	Terras raras Adsorção Dessorção Machine learning Catálise Rare earths elements Adsorption Desorption Catalysis
Ano:	2024
País:	Portugal
Tipo de documento:	tese de doutoramento
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade do Minho
Idioma:	inglês
Origem:	RepositóriUM - Universidade do Minho

Descrição
Resumo:	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.