Nanoparticle modeling in industrial settings

Abstract

(English) Nanoparticles (NPs) are incidentally generated in the industry by multiple material transformation processes, especially by highly energetic activities. This type of aerosol, due to its small size, poses a significant threat to human health. This circumstance is particularly relevant for workers in industrial settings due to the elevated concentrations present in these spaces. Therefore, prediction, estimation, and control of environmental NPs have become issues of growing concern. However, NP concentration simulation and emission estimation for industrial indoor air quality applications still present problems derived from uncertainty quantification, the effect of unmodeled activities functioning as disturbances for the system, and computationally efficient simulations that can be used in industrial management and optimization algorithms. This PhD thesis addresses these issues through five main objectives: (I) to evaluate and optimize size ranges in sectional models; (II) to simulate industrial concentration through stochastic modeling; (III) to design a method to quantify industrial incidental NP emission rates; (IV) to deploy deterministic concentration simulations in multidomain problems to enable easy-to-use risk management application for non-expert users; (V) to propose a framework to coordinate indoor air quality and industrial management for energy optimization of mechanical ventilation systems. For this purpose, the research is structured in four parts. First, size-resolved data processing was conducted through a k-means clustering algorithm applied to combustion NPs from a laboratory experiment. This analysis showed a modal cluster containing more than 80% of particle number concentrations in three different experiments, pointing towards effective deployment of total concentration models for NP simulation and indicating a potential accuracy of these models above the instruments’ tolerance. Consequently, total particle number concentration reduced-order models were evaluated through stochastic and derived deterministic approaches in different industrial scenarios with pulsing and continuous activities. The stochastic method allowed the parameterization, calibration, and validation of model parameters, which enabled their translation into deterministic models, showing Pearson correlation coefficients above 0.9 and average accuracy above 80% for different simulated points, respectively. Then, based on the validated stochastic method, a systematic approach for industrial emission rate determination was designed and applied based on the literature to 7 datasets involving a total of 16 concentration time series in four scenarios, testing 79 models for high-velocity oxy-fuel spraying, atmospheric plasma spraying, and ceramic tile firing. This method was applied first for confined NP sources, and then to non-confined activities, showing estimations consistent with previous studies and between datasets, requiring major efforts and complexity for non-confined sources’ application, with a slight decrease in correlation from 0.9 to 0.8 for some of the simulated points. Additionally, this research emphasized the significance of emission and mechanical transport processes, while deposition and aggregation were found non-statistically significant in the monitored scenarios. Finally, a new framework using artificial intelligence algorithms and multidomain simulations was conceptualized to improve building energy management in industrial production contexts using reduced-order models. Their application was exemplified and evaluated in thermal spraying case studies, showing flexibility to adapt to multiple scenarios considering photovoltaic energy self-consumption, energy flexibility, and cost minimization.

(Català) Les nanopartícules (NPs) es generen de manera incidental a la indústria a través de múltiples processos de transformació de materials, especialment en activitats altament energètiques. Aquest tipus d'aerosol, per les seues xicotetes dimensions, representa una amenaça significativa per a la salut humana, especialment per als treballadors exposats a elevades concentracions en entorns industrials. Per això, la preocupació per la predicció, estimació i control de les NPs ambientals ha augmentat en els últims anys. No obstant això, la simulació de concentracions de NPs i l'estimació d'emissions en aplicacions de qualitat d'aire interior continuen presentant problemes com la quantificació de la incertesa, l'efecte d'activitats no modelades que actuen com a pertorbacions i la necessitat de simulacions computacionalment eficients per a gestió i optimització industrials. Aquesta tesi doctoral aborda aquests problemes a través de cinc objectius principals: (I) avaluar i optimitzar els intervals de grandària de partícula en models seccionals; (II) simular concentracions industrials mitjançant modelització estocàstica; (III) dissenyar un mètode per a quantificar els factors d'emissió industrial de NPs incidentals; (IV) incorporar simulacions deterministes de concentracions en problemes multidomini per a facilitar la gestió del risc a usuaris no experts; (V) proposar un marc teòric per a gestionar de manera coordinada la qualitat de l'aire interior i la planificació de la producció industrial per a l'optimització energètica dels sistemes de ventilació mecànica. Amb aquest propòsit, la investigació es divideix en quatre parts. Primer, es va processar dades de concentració per grandària amb un algoritme de clustering k-means aplicat a NPs de combustió en experiments de laboratori. Els resultats van mostrar que el clúster modal contenia més del 80% de la concentració de partícules en tres experiments diferents, suggerint una precisió de models de concentració total superior a la tolerància dels instruments. Com a conseqüència, es van avaluar models d'ordre reduït de concentració total amb tècniques estocàstiques i deterministes en escenaris industrials amb activitats polsants i contínues. El mètode estocàstic va permetre parametritzar, calibrar i validar el model, possibilitant la seua traducció a models deterministes amb coeficients de correlació de Pearson superiors a 0.9 i precisió mitjana superior al 80%. Posteriorment, basant-se en la modelització estocàstica validada, es va dissenyar un mètode sistemàtic per determinar factors d'emissió industrial a partir de models físics a la bibliografia. Aquest mètode es va aplicar a 7 conjunts de dades amb un total de 16 sèries temporals en quatre escenaris diferents, analitzant 79 models per a dos processos de projecció tèrmica i un de cocció de rajoles ceràmiques. Les estimacions van ser consistents amb estudis previs i entre sèries de dades, encara que per a fonts no confinades es va observar una lleugera disminució de la correlació del 0.9 al 0.8 en alguns punts. A més, aquesta investigació va destacar la importància dels processos d’emissió i transport mecànic, mentre que la deposició i l’agregació no van resultar estadísticament significatives en els escenaris monitoritzats. Finalment, es va conceptualitzar un nou marc basat en algoritmes d'intel·ligència artificial i simulacions multidomini per millorar la gestió energètica d'edificis en contextos de producció industrial mitjançant models d'ordre reduït. La seua aplicació es va exemplificar i avaluar en casos pràctics de projecció tèrmica, demostrant flexibilitat per adaptar-se a múltiples escenaris considerant l'autoconsum d'energia fotovoltaica, la flexibilitat energètica i la minimització de costos. Els resultats obtinguts subratllen el potencial d’eines computacionals avançades per gestionar riscos i optimitzar recursos en entorns industrials, proporcionant eines pràctiques i adaptables per a l’aplicació real.

(Español) Las nanopartículas (NPs) se generan de manera incidental en la industria a través de múltiples procesos de transformación de materiales, especialmente en actividades altamente energéticas. Este tipo de aerosol, debido a sus pequeñas dimensiones, representa una amenaza significativa para la salud humana, especialmente para los trabajadores expuestos a concentraciones elevadas en entornos industriales. Por ello, la preocupación por la predicción, estimación y control de las NPs ambientales ha aumentado en los últimos años. Sin embargo, la simulación de concentraciones de NPs y la estimación de emisiones en aplicaciones de calidad del aire interior siguen presentando problemas como la cuantificación de la incertidumbre, el efecto de actividades no modeladas que actúan como perturbaciones y la necesidad de simulaciones computacionalmente eficientes para la gestión y optimización industriales. Esta tesis doctoral aborda estos problemas a través de cinco objetivos principales: (I) evaluar y optimizar los intervalos de tamaño de partícula en modelos seccionales; (II) simular concentraciones industriales mediante modelización estocástica; (III) diseñar un método para cuantificar los factores de emisión industrial de NPs incidentales; (IV) incorporar simulaciones deterministas de concentraciones en problemas multidominio para facilitar la gestión del riesgo a usuarios no expertos; (V) proponer un marco teórico para gestionar de manera coordinada la calidad del aire interior y la planificación de la producción industrial para optimizar el consumo energético de los sistemas de ventilación mecánica. Con este propósito, la investigación se divide en cuatro partes. Primero, se procesaron datos de concentración por tamaño con un algoritmo de clustering k-means aplicado a NPs de combustión en pruebas de laboratorio. Los resultados mostraron que el clúster modal contenía más del 80% de la concentración en tres experimentos diferentes, sugiriendo una precisión de los modelos de concentración total superior a la tolerancia de los instrumentos. Así pues, se evaluaron modelos de orden reducido de concentración total con técnicas estocásticas y deterministas en escenarios industriales con actividades pulsantes y continuas. El método estocástico permitió parametrizar, calibrar y validar el modelo, posibilitando su traducción a modelos deterministas con coeficientes de correlación superiores a 0.9 y una precisión media superior al 80%. Posteriormente, basándose en la modelización estocástica validada, se diseñó un método sistemático para determinar factores de emisión industrial a partir de modelos físicos de la bibliografía. Este método se aplicó a 7 conjuntos de datos con un total de 16 series temporales en cuatro escenarios diferentes, analizando 79 modelos para dos procesos de proyección térmica y uno de cocción de baldosas cerámicas. Las estimaciones fueron consistentes con estudios previos y entre series de datos, aunque para fuentes no confinadas se observó una disminución de la correlación del 0.9 al 0.8 en algunos puntos. Esta investigación destacó la importancia de los procesos de emisión y transporte, mientras que la deposición y la agregación no resultaron estadísticamente significativas en los escenarios monitorizados. Finalmente, se conceptualizó un nuevo marco basado en algoritmos de inteligencia artificial y simulaciones multidominio para mejorar la gestión energética de edificios en contextos de producción industrial mediante modelos de orden reducido. Su aplicación se ejemplificó y evaluó en casos prácticos de proyección térmica, demostrando flexibilidad para adaptarse a múltiples escenarios considerando el autoconsumo de energía fotovoltaica, la flexibilidad energética y la minimización de costes. Los resultados obtenidos subrayan el potencial de herramientas computacionales avanzadas para gestionar riesgos y optimizar recursos en entornos industriales, proporcionando herramientas flexibles para su aplicación real.