The majority of the nutrients in household wastewater are found in the urine and in order to facilitate the use the nutrients in the urine as fertilizer, the urine can be can be concentrated. To extract the nutrients from the urine, various technologies for urine concentration are being developed today. As the technologies are relatively new, urine concentration systems have not been installed on a larger scale. In this study, sustainability of three different urine concentration technologies was evaluated through a fictional case study for 2100 people that took inspiration from a planned residential area in Malmö, Sweden, where technology for urine concentration will be implemented in at least one of the buildings. The technologies were evaluated through a multi-criteria assessment (MCA), where different criteria within sustainability categories environment, technical, economic and health were determined based on the Sustainable Development Goals (SDGs). The technologies examined were alkaline dehydration, nitrification-distillation and ion-exchange using a pre-step of struvite precipitation. For the alkaline dehydration technology, fresh urine is added to an alkaline medium, in order to prevent nitrogen losses, and then dried. In the nitrification-distillation technology, stored urine is treated by first being stabilized by a partial nitrification and then distilled in order to reduce the volume. For the ion-exchange and struvite precipitation system, phosphorus is first precipitated from stored urine and nitrogen is then extracted through ion-exchange. The urine concentration technologies were assumed to be installed in semi-centralized treatment plants in basements in the residential area. The other household wastewater was assumed to be treated in the local wastewater treatment plant (WWTP). The results showed that all three urine concentration technologies may contribute to a significant increase in nitrogen recovery from the household sewer. However, this may come at the expense of increased annual costs for the population. Before it is possible to determine whether urine concentration can be an alternative as a complement to the existing wastewater treatment, further studies of the urine concentration technologies and their sustainability are required. However, this study indicated that urine concentration technologies perform well in many of the sustainability criteria examined and therefore have potential to contribute to the SDGs, especially regarding nitrogen recovery. This study can therefore be an incentive for further studies, where the sustainability of an implementation of urine concentration in Sweden is addressed. / Majoriteten av näringen i hushållsavloppsvattnet finns i urinen och för att underlätta användningen av växtnäringsämnena i urinen som gödningsmedel kan den koncentreras. För att utvinna näringen ur urinen utvecklas idag olika tekniker för urinkoncentrering. Då teknikerna är relativt nya har system för urinkoncentrering inte installerats i en större skala. Därför utvärderades hållbarheten för tre olika urinkoncentreringsmetoder genom en fiktiv fallstudie som innefattade 2100 personer. Fallstudien fick inspiration från ett planerat bostadsområde i Malmö, Sverige, där teknik för urinkoncentrering ska implementeras i minst en av byggnaderna. Teknikerna utvärderades genom en multikriterieanalys (MKA), där kriterier inom hållbarhetskategorierna miljö, teknik, ekonomi och hälsa valdes utifrån de Globala målen. De tekniker som utvärderades var alkalisk urintorkning, nitrifikations-destillering och jonbyte där struvitutfällning tillämpades som förbehandling. För den alkaliska urintorkningen tillförs färsk urin till ett alkaliskt medium, för att förhindra kväveförluster, och torkas sedan. I nitrifikations-destillerings tekniken behandlas lagrat urin genom att det först stabiliseras genom en partiell nitrifikation för att sedan destilleras för att reducera volymen. För systemet med jonbyte och struvitfällning, fälls först fosfor från lagrat urin ut och sedan utvinns kvävet genom jonbyte. Urinkoncentreringsteknikerna antogs anläggas i semi-centraliserade reningsverk i källare i bostadsområdet. Övrigt hushållsvatten antogs renas i det lokala avloppsreningsverket. Resultatet visade att samtliga av de tre teknikerna för urinkoncentrering kan bidra till en betydande ökning kväveåtervinning från hushållsavloppet. Dock kan detta komma på bekostnad av ökade årliga kostnader för de boende i området. Innan det är möjligt att avgöra om urinkoncentrering kan vara ett alternativ som ett komplement till den befintliga avloppsreningen i Sege Park krävs vidare studier av urinkoncentreringsteknikerna och deras hållbarhet. Däremot visade denna studie att urinkoncentreringsteknikerna presterar bra i många av de undersökta hållbarhetskriterierna och har därför potential att bidra till de Globala målen, främst när det gäller kväveåtervinning. Denna studie kan därför vara ett incitament för vidare studier som behandlar hållbarheten av en implementering av urinkoncentrering i Sverige.

In the reservoir conditions, a petroleum fluid is defined by its thermodynamic and volumetric properties and by its physicochemical properties. Their behaviors are modeled from experimental data in order to properly simulate the processing of these fluids during the production.   With the advent of new regulations and rigidity that exist at the custom regulations today, research centers have great difficulty in obtaining large amounts of samples. For these reason, although there are several methods to characterize the different components of crude oil, the laboratories are turning increasingly to techniques that requires lower amounts of samples: micro-distillation, gas chromatography (GC).   The micro-distillation is a fast and completely computerized technique made to substitute the standard distillation for analysis of liquid petroleum products. Advantages of the method compared to the standard distillation are the reduction of working time by at least a factor of 4, the small sample volumes required for distillation (few micro liters). [24]   This report is aimed to create a simple model that can predict yield curves of physical distillation, without using the micro-distillation technique. The results obtained through gas chromatography (GC) analysis by laboratory technicians enable the modeling of the fluid behavior. Having identified and treated practically all aspects of micro-distillation through simulations with PRO/II, I found out that, regardless of the setting and the thermodynamic method used, there are always significant differences between simulation results and those of the micro-distillation.   The result shows that it’s still difficult to create a model which can replace micro-distillation and gas chromatography (GC) because of the huge gap between the simulation results and micro-distillation. Furthermore, the dynamics revealed that the micro distillation is not accurate. I had hoped to get additional results by studies the correlations with more samples, but that did not turn out to be the case. Regardless of that, I think that it would be interesting to study more samples and use another simulator to properly represent micro distillation. This could be an interesting topic for further studies. / Under de föhållanden som reservoarens miljö erbjuder, definieras en petroleumvätska av dess termodynamiska och volymetriska egenskaper och av dess fysikalisk-kemiska egenskaper. För att korrekt simulera bearbetningen av dessa vätskor under produktion, deras beteende modelleras från experimentella data Med tillkomsten av nya regler och oflexibilitet som finns på tullbestämmelser vid gränserna idag, har forskningscenter stora svårigheter att få större mängder prover levererade. Av den anledningen, trots att det finns flera metoder för att karakterisera de olika komponenterna av råolja, tvingas laboratorier att vända sig mer och mer till alternativa analysmetoder som kräver mindre provvolymer: mikrodestillation, gaskromatografi, etc.   Mikrodestillation, som är en snabb och helt datoriserad teknik, visar sig kunna ersätta standarddestillation för analys av flytande petroleumprodukter. Fördelar med metoden jämfört med standarddestillering är minskad arbetstidsåtgång med minst en faktor 4. Därtill krävs endast en begränsad provvolym (några mikroliter) i jämförelse med standarddestillation.  [24]   Denna rapport syftar till att skapa en enkel modell som kan förutsäga avkastningskurvan av fysisk destillation, utan att använda mikrodestillationsteknik. De resultat som erhölls genom gaskromatografiska analyser möjliggjorde modelleringen av det vätskebeteendet hos det analyserade provet. Efter att ha identifierat och behandlat praktiskt taget alla viktiga aspekter av mikro destillation genom simuleringar med PRO/II, fann jag att, oberoende av inställningen och den termodynamiska metod som används,  det alltid finns stora skillnader mellan simulering och mikro destillation.   Resultatet visar att det fortfarande är svårt att skapa en modell som kan ersätta mikrodestillering och gaskromatografi på grund av differensen mellan simuleringsresultaten å ena sidan, och resultaten från mikrodestillering å andra sidan. Dessutom visade resultaten att mikrodestillation som analysmetod inte ger tillförlitliga resultat. Min förhoppning var att få ytterligare användbara resultat genom att studerar potentiella korrelationer emellan fler prover, men detta visade sig inte vara fallet. Jag anser att det skulle vara intressant att studera fler prover och använda en annan simulator för att bättre representera mikrodestillation. Detta skulle kunna vara ett intressant ämne för vidare studier.

With the development of deep learning methods the requirement of having access to large amounts of data has increased. In this study, we have looked at methods for leveraging unlabeled data while only having access to small amounts of labeled data, which is common in real-world scenarios. We have investigated a method called self-training for leveraging the unlabeled data when training a model. It works by training a teacher model on the labeled data that then labels the unlabeled data for a student model to train on. A popular method in machine learning is ensembling which is a way of improving a single model by combining multiple models. With previous studies mainly focusing on self-training with image data and showing that ensembles can successfully be used for images, we wanted to see if the same applies to text data. We mainly focused on investigating how ensembles can be used as teachers for training a single student model. This was done by creating different ensemble models and comparing them against the individual members in the ensemble. The results showed that ensemble do not necessarily improves the accuracy of the student model over a single model but in certain cases when used correctly they can provide benefits. We found that depending on the dataset bagging BERT models can perform the same or better than a larger BERT model and this translates to the student model. Bagging multiple smaller models also has the benefit of being easier to scale and more computationally efficient to train in comparison to scaling a single model. / Med utvecklingen av metoder för djupinlärning har kravet på att ha tillgång till stora mängder data ökat som är vanligt i verkliga scenarier. I den här studien har vi tittat på metoder för att utnytja oannoterad data när vi bara har tillgång till små mängder annoterad data. Vi har undersökte en metod som kallas självträning för att utnytja oannoterd data när man tränar en modell. Det fungerar genom att man tränar en lärarmodell på annoterad data som sedan annoterar den oannoterade datan för en elevmodell att träna på. En populär metod inom maskininlärning är ensembling som är en teknik för att förbättra en ensam modell genom att kombinera flera modeller. Tidigare studier har främst inriktade på självträning med bilddata och visat att ensembler framgångsrikt kan användas för bild data, vill vi se om detsamma gäller för textdata. Vi fokuserade främst på att undersöka hur ensembler kan användas som lärare för att träna en enskild elevmodell. Detta gjordes genom att skapa olika ensemblemodeller och jämföra dem med de enskilda medlemmarna i ensemblen. Resultaten visade att ensembler inte nödvändigtvis förbättrar elevmodellens noggrannhet jämfört med en enda modell, men i vissa fall kan de ge fördelar när de används på rätt sätt. Vi fann att beroende på datasetet kan bagging av BERT-modeller prestera likvärdigt eller bättre än en större BERT-modell och detta översätts även till studentmodellen prestandard. Att använda bagging av flera mindre modeller har också fördelen av att de är lättare att skala up och mer beräkningseffektivt att träna i jämförelse med att skala up en enskild modell.