Förbehandling av lignocellulosa genom ångexplosion är en förbehandling av biomassa som förändrar strukturen i fibrernas cellväggar. Vid förbehandlingen värms biomassa med mättad ånga under tryck till minst 140 ˚C, detta leder till att flyktiga ämnen avgår från biomassan. När den uppvärmda biomassan är färdigbehandlad utsätts den för en kraftig trycksänkning vilket leder till att fukten i biomassan övergår till ånga och bidrar till ökad porositet, minskad materialstorlek och förändrad struktur i cellväggarna. Genom kartläggning av ett befintligt kokkärl på SCA R&D Centre och litteraturstudier inom området utforskas möjligheten att bygga om kokkärlet till ångexplosionsreaktor för laborativt bruk. Ett utformningsförslag togs fram varpå en termodynamisk modell över reaktionen skapades i Excel med hjälp av makrot Xsteam. Dimensionering av blåstank till förslaget gjordes baserat på ångexplosion av två kg tallflis med två fukthalter, 40 och 60%. Resultaten visar att en ombyggnation är möjlig, ångpannan begränsar dock ångtrycket till 10 bar. Vid behandling av två kg tallflis med en fukthalt om 40 respektive 60% dimensionerades anläggningens blåstank till 376 respektive 493 liter. Den nya reaktorn designades som skild från atmosfären. En sådan reaktor möjliggör framtida analys av bland annat flyktiga ämnen vilket kan bidra till effektivare tillvaratagande av restströmmar. / Pretreatment of lignocellulose by steam explosion is an energy efficient method that alters the structure of the fiber cell walls. Biomass is heated with pressurized saturated steam during the pretreatment to at least 140˚C, causing the release of volatile substances. Once the heated biomass is treated to desired severity, it undergoes a significant pressure reduction, causing the moisture in the biomass to turn into steam and contribute to increased porosity, reduced particle size and altered structure in the fiber cell walls. By examining an existing digester at the SCA R&D Centre and conducting literature studies in the field, the possibility of converting the digester into a steam explosion reactor for laboratory use is explored. A design proposal was developed, upon which a thermodynamic model of the reaction was created in Excel using the Xsteam macro. Dimensioning of the blow tank for the proposal was based on steam explosion of two kg pine chips with two moisture levels, 40% and 60%. The results indicate that such a conversion is possible, however, the steam pressure is limited to 10 bar overpressure due to the existing steam boiler. When treating two kg of pine chips with moisture content of 40% and 60% respectively, the sizing of the blow tank for the facility was determined to be 376 liters and 493 liters respectively. The new reactor was designed to be isolated from the atmosphere, enabling future analysis of volatile substances, which can contribute to a more efficient utilization of residual streams.

The biological sludge formed in the pulp and paper wastewater treatment constitutes a costlyproblem to dispose off due to poor dewaterability. It is often incinerated or used as soilconditioner improvement. By using anaerobic digestion of the biological sludge, thedewaterability can be increased. Thanks to the formation of biogas, the sludge volume isdecreased and energy can be recovered as methane. By pre-treating the sludge, the biogasproduction can be increased, making the anaerobic digestion more economically feasible. Eleven samples of biological sludges from six Swedish pulp and paper mills, chosen torepresent different types and sizes of mills available in Sweden, were pre-treated with alkali(NaOH, pH12), heat (80˚C, 1 hr) and electroporation (2000 pulses, 10 kV/cm). Initialmethane production rate and methane potential of all sludges and pre-treatments weredetermined using batch experiment. A combination of two sludges (from the same mill) pretreatedwith alkali and heat was further investigated in a semi-continuous digester experiment. The batch experiments showed that alkali pre-treatment had the greatest positive effect onmethane production. Heat treatment performed second best, whereas electroporation had no orlittle effect. Overall, pre-treatments increased the initial methane production rate, but withinsignificant effects on the methane potential. Heat pre-treatment showed no difference inbiogas production compared to the control in the semi-continuous digester experiment. Alkalitreatment was shown to inhibit biogas production and cause high accumulation of acetate. Itcould not be concluded whether it was an effect from hydroxide or sodium ion addition.Further analysis of the NaOH impact on floc structure, toxicity and bioavailability issuggested to determine the suitability of alkali-treated sludge for anaerobic digestion. / Bioslam, som bildas vid vattenreningen på pappers- och massabruk, utgör en kostnad attomhänderta på grund av avvattningssvårigheter. Kvittblivning sker oftast genom förbränningeller användning som jordförbättringsmedel. Genom rötning kan slammet bli merlättavvattnat och tack vare att det bildas biogas minskar slamvolymen samtidigt som energikan utvinnas från metanet. Produktionen av biogas kan ökas genom att förbehandla slammetinnan rötning, vilket skulle innebära ekonomiska fördelar. Denna studie har undersökt effekten av förbehandling för elva bioslam från sex svenskapappers- och massabruk, valda att representera olika typer och storlekar på svenska bruk.Behandlingen gjordes med alkali (NaOH, pH12), värme (80˚C, 1 h) och elektroporering(2000 pulser, 10 kV/cm). Effekten av förbehandling på initial metanproduktionshastighet ochmetanpotential undersöktes med hjälp av satsvis utrötning (batch) av alla slam. Enkombination av två slam från samma burk utvärderades i ett semi-kontinuerligt rötningsförsökefter förbehandling med värme och alkali. Resultatet från utrötningsförsöket visade att den alkaliska förbehandlingen hade störst positivinverkan på metanproduktionen. Värmebehandlingen presterade näst bäst, medanelektroporeringen visade sig ha liten eller ingen effekt. Generellt sett ökade den initialametanproduktionshastigheten till följd av förbehandling, medan metanpotentialen förblevoförändrad. Värmebehandling gav ingen effekt på biogasproduktionen i det semikontinuerligarötningsförsöket jämfört med kontroll, medan alkalisk förbehandling inhiberadebiogasproduktionen och orsakade höga koncentrationer av ackumulerat acetat. Det kunde inteavgöras huruvida det var natrium- eller hydroxidjoner, som orsakade inhiberingen. För attkunna utvärdera möjligheten att röta slam, som förbehandlats med NaOH, rekommenderasvidare analys av dess påverkan på flockstruktur, toxicitet och biotillgänglighet.

Svenska socialstyrelsen presenterade år 2017 att lungcancer är den vanligaste cancerrelaterade dödsorsaken bland kvinnor i Sverige och den näst vanligaste bland män. Ett sätt att ta reda på om en patient har lungcancer är att en läkare studerar en tredimensionell-röntgenbild av en patients lungor. För att förebygga misstag som kan orsakas av den mänskliga faktorn är det möjligt att använda datorer och avancerade algoritmer för att upptäcka lungcancer. En nätverksmodell kan tränas att upptäcka detaljer och avvikelser i en lungröntgenbild, denna teknik kallas deep structural learning. Det är både tidskrävande och avancerat att skapa en sådan modell, det är därför viktigt att modellen tränas korrekt. Det finns flera studier som behandlar olika nätverksarkitekturer, däremot inte vad förbehandlingstekniken lung-segmentering kan ha för inverkan på en modell av denna signifikans. Därför ställde vi frågan: hur påverkas accuracy och loss hos en konvolutionell nätverksmodell när lung-segmentering appliceras på modellens tränings- och testdata? För att besvara frågan skapade vi flera modeller som använt, respektive, inte använt lung-segmentering. Modellernas resultat evaluerades och jämfördes, tekniken visade sig motverka överträning. Vi anser att denna studie kan underlätta för framtida forskning inom samma och liknande problemområde. / In the year of 2017 the Swedish social office reported the most common cancer related death amongst women was lung cancer and the second most common amongst men. A way to find out if a patient has lung cancer is for a doctor to study a computed tomography scan of a patients lungs. This introduces the chance for human error and could lead to fatal consequences. To prevent mistakes from happening it is possible to use computers and advanced algorithms for training a network model to detect details and deviations in the scans. This technique is called deep structural learning. It is both time consuming and highly challenging to create such a model. This discloses the importance of decorous training, and a lot of studies cover this subject. What these studies fail to emphasize is the significance of the preprocessing technique called lung segmentation. Therefore we investigated how is the accuracy and loss of a convolutional network model affected when lung segmentation is applied to the model’s training and test data? In this study a number of models were trained and evaluated on data where lung segmentation was applied, in relation to when it was not. The final conclusion of this report shows that the technique counteracts overfitting of a model and we allege that this study can ease further research within the same area of study.

Studien implementerade ett hjärna-dator-gränssnitt med hjälp av EEG-instrumentet MindWave Mobile Headset. Vi undersökte om det var möjligt att utföra fyra operationer genom att använda tankemönster. Fyra försökspersoner deltog i studien. Deras uppgift var att tänka i två tankemönster i följd som resulterade i en operation. EEG-signalen förbehandlas så att en mönsterigenkänningsmetod (k-NN) lättare kunde urskilja två tankemönster ur signalen. Denna undersökning har till vår vetskap inte tidigare utförts och är därmed kunskapsluckan vi ämnar fylla. Att fylla denna kunskapslucka är av intresse för bland annat användargrupperna: rörelsehindrade, spelintresserade och Virtual Reality-användare. Vi tog fram en modell som modellerade det bästa möjliga utfallet av metodiken i föreliggande studie. Undersökningens resultat kunde inte användas för att göra slutsatser angående frågeställningen då detta skulle vara att post hoc-teoretisera. I modellen visades dock tre av fyra operationer vara genomförbara, med en indikation om att även den fjärde var möjlig att utföra. Resultatet indikerar att det finns anledning att utföra en fortsatt studie. Den föreslagna fortsatta studien bör innefatta nya mätningar som testas av modellen för att fullt ut besvara problemformuleringen. / This study implements a Brain-Computer-Interface using the EEG-instrument MindWave Mobile Headset. We studied the feasibility of performing four operations using thought patterns. Four test subjects participated in the study. Their task was to think in two subsequent thought patterns that resulted in an operation. The EEG-signal was pre-processed in such a way that a pattern recognition algorithm (k-NN) more easily could recognize two thought patterns in the signal. This study has to our knowledge not been done before and thus aims to fill this lack of knowledge in the scientific community. User groups that have an interest in filling this gap are, amongst others; disabled people, gamers, and Virtual Reality users. We created a model that modeled the best possible outcome of the method used in this study. Conclusions drawn from the result can not be used to fully answer the problem statement, since it would be to post hoc-theorize. However, three out of four operations were possible to perform in the model, with an indication that the fourth also was possible to perform. These results indicate that there are grounds to continue this study. The proposed continued study should include new measurements that are tested by the model to determine if it is feasible to distinguish all four operations.

Parkeringsanläggningar utsätts ständigt av belastningar från körande fordon och kloridangrepp under vinterperioden. Påföljden av det blir kostsamma skador på betongkonstruktionen, främst vid uppkomna sprickor. Kloridinträngning medför att armeringsjärnen korroderar och försvagar underliggande betongkonstruktionen. Ersättning av de korroderade armeringsjärnen samt betonglagningar är kostsamt för Stockholm Parkering. Lösningen är att förbehandla den oskyddade betongen och applicera en ytbeläggning ovanför. De vanligaste som finns i Sverige är cementbaserade, bitumenbaserade och härdplastbaserade ytbeläggningar. Det finns inga direktiv för val när det gäller ytbeläggningar. Eftersom alla ytbeläggningar har olika egenskaper är det för- och nackdelar som beställaren ska värdera beroende på parkeringshusets förutsättningar som utformningen, trafikbelastningen och om det är grundplattan eller mellanbjälklaget som ytbeläggningen appliceras på. Förutom materialet är utförandet också viktigt. En väl utförd förbehandling av betongunderlaget och noggrann utläggning av ytbeläggningen minskar risken för uppkomst av skador i framtiden och därmed reparationskostnaderna. Syftet med examensarbetet är att undersöka olika ytbeläggningar som har varit i drift 5 till 10 år för att sedan identifiera och kartlägga skador som har uppkommit på dem. I denna rapport har fem parkeringsanläggningar valts ut som fallstudier för att undersöka de vanligaste ytbeläggningarna som används idag i Stockholm Parkerings parkeringsanläggningar. Utifrån litteraturstudier, intervjuer med olika parter i respektive projekt, observationer som utfördes under studiebesöken och jämförelse mellan fallstudier dras slutsatser för att hitta den hållbaraste ytbeläggningen. Slutligen skapas en lathund för att förenkla valet av ytbeläggningar för parkeringsanläggningar med olika förutsättningar. / Parking facilities are constantly exposed to traffic loads from driving vehicles and chloride attacks during the winter period. The consequence of this is costly damage to the concrete structure, especially in the event of cracks. Chloride penetration causes the reinforcement bars to corrode and weaken the underlying concrete structure. Replacement of the corroded reinforcement bars and concrete repairs are costly for Stockholm Parking. The solution is to pretreat the unprotected concrete and apply a coating above it. The most common coatings found in Sweden are cement-based, bitumen-based and thermoset-based coatings. There is no clear choice when it comes to coatings since they all have different properties. The advantages and disadvantages of different coatings that the customer must value depend on such conditions of the parking garage as the shaping, the traffic load and whether it is the base plate or the intermediate floor. Besides the material, the execution is also important. A well done pretreatment of the concrete substrate and meticulous laying of the coating reduces the possibility of the occurrence of damage in the future and thereby the repair costs. The purpose of the thesis project was investigation of various coatings systems that have been in operation for 5 to 10 years and identification and mapping damages that occur to them. In this report, five parking facilities have been selected as case studies to investigate the most common coatings used today in Stockholm Parkering parking facilities. Based on literature studies, interviews with various parties in each project, observations made on study visits and comparison between case studies conclusions were drawn about the most sustainable surface coating systems. Finally, a guidance is created to simplify the choice of coating systems for parking facilities with different conditions.

Society today is becoming more digitalized, and a common way of communication is to send e-mails. Currently, the company Auranest has a filtering method for categorizing e-mails, but the method is a few years old. The filter provides a classification of valuable e-mails for jobseekers, where employers can make contact. The company wants to know if the categorization can be performed with a different method and improved. The degree project aims to investigate whether the categorization can be proceeded with higher accuracy using machine learning. Three supervised machine learning algorithms, Naïve Bayes, Support Vector Machine (SVM), and Decision Tree, have been examined, and the algorithm with the highest results has been compared with Auranest's existing filter. Accuracy, Precision, Recall, and F1 score have been used to determine which machine learning algorithm received the highest results and in comparison, with Auranest's filter. The results showed that the supervised machine learning algorithm SVM achieved the best results in all metrics. The comparison between Auranest's existing filter and SVM showed that SVM performed better in all calculated metrics, where the accuracy showed 99.5% for SVM and 93.03% for Auranest’s filter. The comparative results showed that accuracy was the only factor that received similar results. For the other metrics, there was a noticeable difference. / Dagens samhälle blir alltmer digitaliserat och ett vanligt kommunikationssätt är att skicka e-postmeddelanden. I dagsläget har företaget Auranest ett filter för att kategorisera e-postmeddelanden men filtret är några år gammalt. Användningsområdet för filtret är att sortera ut värdefulla e-postmeddelanden för arbetssökande, där kontakt kan ske från arbetsgivare. Företaget vill veta ifall kategoriseringen kan göras med en annan metod samt förbättras. Målet med examensarbetet är att undersöka ifall filtreringen kan göras med högre träffsäkerhet med hjälp av maskininlärning. Tre övervakade maskininlärningsalgoritmer, Naïve Bayes, Support Vector Machine (SVM) och Decision Tree, har granskats och algoritmen med de högsta resultaten har jämförts med Auranests befintliga filter. Träffsäkerhet, precision, känslighet och F1-poäng har använts för att avgöra vilken maskininlärningsalgoritm som gav högst resultat sinsemellan samt i jämförelse med Auranests filter. Resultatet påvisade att den övervakade maskininlärningsmetoden SVM åstadkom de främsta resultaten i samtliga mätvärden. Jämförelsen mellan Auranests befintliga filter och SVM visade att SVM presterade bättre i alla kalkylerade mätvärden, där träffsäkerheten visade 99,5% för SVM och 93,03% för Auranests filter. De jämförande resultaten visade att träffsäkerheten var den enda faktorn som gav liknande resultat. För de övriga mätvärdena var det en märkbar skillnad.

This study investigates the format of crisis communication by analysing a news archive dataset from Krisinformation.se, a Swedish website dedicated to sharing information about crises. The primary goal is to assess the dataset's structure and efficacy in meeting the Common Alerting Protocol (CAP) criteria, an internationally recognised format for emergency alerts. The study uses quantitative text analysis and data preprocessing tools like Python and Power Query to identify inconsistencies in the present dataset format. These anomalies limit the dataset's usefulness for extensive research and effective crisis communication. To address these issues, the study constructs two new datasets with enhanced column structures that rectify the identified problems. These refined datasets aim to improve the clarity and accessibility of information regarding crisis events, providing valuable insights into the nature and frequency of these incidents. Additionally, the research offers practical recommendations for optimising the dataset format to better align with CAP standards, enhancing the overall effectiveness of crisis communication on the platform. The findings highlight the critical role of structured and standardised data formats in crisis communication, particularly in the context of increasing climate-related hazards and other emergencies. By improving the dataset format, the study contributes to more efficient data analysis and better preparedness for future crises. The insights gained from this research are intended to assist other analysts and researchers in conducting more robust studies, ultimately aiding in developing more resilient and responsive crisis communication strategies. / Denna studie undersöker formatet för kriskommunikation genom att analysera ett nyhetsarkiv från Krisinformation.se, en svensk hemsida som är avsedd att dela information om kriser. Det primära målet är att bedöma datasetets struktur och effektivitet när det gäller att uppfylla kriterierna för Common Alerting Protocol (CAP), ett internationellt erkänt format för nödmeddelanden. I studien används kvantitativ textanalys och dataförberedande verktyg som Python och Power Query för att identifiera inkonsekvenser i det aktuella datasetformatet. Dessa anomalier begränsar datasetets användbarhet för omfattande forskning och effektiv kriskommunikation. För att ta itu med dessa frågor konstruerar studien två nya dataset med förbättrade kolumnstrukturer som åtgärdar de identifierade problemen. Dessa förfinade dataset syftar till att förbättra tydligheten och tillgängligheten av information om krishändelser, vilket ger värdefulla insikter om dessa händelsers karaktär och frekvens. Dessutom ger forskningen praktiska rekommendationer för att optimera datasetformatet så att det bättre överensstämmer med CAP-standarderna, vilket förbättrar den övergripande effektiviteten i kriskommunikationen på plattformen. Resultaten visar att strukturerade och standardiserade dataformat spelar en avgörande roll för kriskommunikation, särskilt i samband med ökande klimatrelaterade faror och andra nödsituationer. Genom att förbättra formatet på datasetet bidrar studien till effektivare dataanalys och bättre beredskap för framtida kriser. Insikterna från denna forskning är avsedda att hjälpa andra analytiker och forskare att genomföra mer robusta studier, vilket i slutändan bidrar till att utveckla mer motståndskraftiga och lyhörda strategier för kriskommunikation.

Focusing on the problem of Drone vs. Unknown classification based on radar frequency-amplitude spectra using Deep Learning (DL), especially 1-Dimensional Convolutional Neural Networks (1D-CNNs), this thesis aims at reducing the current gap in the research related to adequate pre-processing techniques for hardware deployment. The primary challenge tackled in this work is determining a pipeline that facilitates industrial deployment while maintaining high classification metrics. After presenting a comprehensive review of existing research on radar signal classification and the application of DL techniques in this domain, the technical background of signal processing is described to provide a practical scenario where the solutions could be implemented. A thorough description of technical constraints, such as Field Programmable Gate Array (FPGA) data type requirements, follows the entire project justifying the necessity of a learning-based pre-processing technique for highly skewed distributions. The results demonstrate that data-adaptive preprocessing eases hardware deployment and maintains high classification metrics, while other techniques contribute to noise and information loss. In conclusion, this thesis contributes to the field of radar frequency-amplitude spectra classification by identifying effective methods to support efficient hardware deployment of 1D-CNNs, without sacrificing performance. This work lays the foundation for future studies in the field of DL for real-world signal processing applications. / Med fokus på problemet med klassificering av drönare kontra okänt baserat på radarfrekvens-amplitudspektra med Deep Learning (DL), särskilt 1-Dimensional Convolutional Neural Networks (1D-CNNs), syftar denna avhandling till att minska det nuvarande gapet i forskningen relaterad till adekvata förbehandlingstekniker för hårdvarudistribution. Den främsta utmaningen i detta arbete är att fastställa en pipeline som underlättar industriell driftsättning samtidigt som höga klassificeringsmått bibehålls. Efter en omfattande genomgång av befintlig forskning om klassificering av radarsignaler och tillämpningen av DL-tekniker inom detta område, beskrivs den tekniska bakgrunden för signalbehandling för att ge ett praktiskt scenario där lösningarna kan implementeras. En grundlig beskrivning av tekniska begränsningar, såsom krav på datatyper för FPGA (Field Programmable Gate Array), följer hela projektet och motiverar nödvändigheten av en inlärningsbaserad förbehandlingsteknik för mycket skeva fördelningar. Resultaten visar att dataanpassad förbehandling underlättar hårdvaruimplementering och bibehåller höga klassificeringsmått, medan andra tekniker bidrar till brus och informationsförlust. Sammanfattningsvis bidrar denna avhandling till området klassificering av radarfrekvens-amplitudspektra genom att identifiera effektiva metoder för att stödja effektiv hårdvarudistribution av 1D-CNN, utan att offra prestanda. Detta arbete lägger grunden för framtida studier inom området DL för verkliga signalbehandlingstillämpningar.