Omic science is rapidly growing and one of the most employed techniques to explore differential patterns in omic datasets is principal component analysis (PCA). However, a method to enlighten the network of omic features that mostly contribute to the sample separation obtained by PCA is missing. An alternative is to build correlation networks between univariately-selected significant omic features, but this neglects the multivariate unsupervised feature compression responsible for the PCA sample segregation. Biologists and medical researchers often prefer effective methods that offer an immediate interpretation to complicated algorithms that in principle promise an improvement but in practice are difficult to be applied and interpreted. Here we present PC-corr: a simple algorithm that associates to any PCA segregation a discriminative network of features. Such network can be inspected in search of functional modules useful in the definition of combinatorial and multiscale biomarkers from multifaceted omic data in systems and precision biomedicine. We offer proofs of PC-corr efficacy on lipidomic, metagenomic, developmental genomic, population genetic, cancer promoteromic and cancer stem-cell mechanomic data. Finally, PC-corr is a general functional network inference approach that can be easily adopted for big data exploration in computer science and analysis of complex systems in physics.

Thermal conductivity and thermopower measurements in strongly correlated electron systems at low temperatures

An extension of the nonadiabatic quantum molecular dynamics approach is presented to account for electron-nuclear correlations in the dynamics of atomic many-body systems. The method combines electron dynamics described within time-dependent density-functional or Hartree-Fock theory with trajectory-surface-hopping dynamics for the nuclei, allowing us to take into account explicitly a possible external laser field. As a case study, a model system of H++H collisions is considered where full quantum-mechanical calculations are available for comparison. For this benchmark system the extended surface-hopping scheme exactly reproduces the full quantum results. Future applications are briefly outlined.

Das vorliegende Skript ist aus dem Lehrveranstaltungszyklus Theorie und Methodik der Statistik hervorgegangen, den ich an der Fakultät Wirtschaftswissenschaften der TU Dresden im Hauptstudium der Diplomstudiengänge und in den Masterstudiengängen gehalten habe. Es gibt 16 ältere Auflagen, die während mehr als 15 Jahren kontinuierlich überarbeitet, erweitert und korrigiert wurden. Für Hinweise auf Fehler und für Erweiterungs- und Verbesserungsvorschläge danke ich mehreren Studenten und allen Mitarbeitern, die in dieser Zeit am Lehrstuhl für Quantitative Verfahren, insbesondere Statistik beschäftigt waren. Die 30 Kapitel verteilen sich auf die fünf Teile Grundlagen, Schätzen und Testen, Korrelation und Regression, Stochastische Prozesse und Multivariate Verfahren, die jeweils Grundlage einer Lehrveranstaltung waren. Viele Kapitel haben einen abschließenden Abschnitt "Weiterführendes" mit zusätzlichem und ergänzendem Material, das in der Vorlesung nicht behandelt wurde, sowie zusätzlichen Eräauterungen, Beispielen und Anmerkungen. Zur verwendeten Notation und zu mathematischen Grundlagen siehe Anhang A.

Die vorliegende Arbeit beschäftigt sich mit rohstofflichen und verfahrenstechnischen Einflussfaktoren bei der Biomassepyrolyse. Ausgehend von der Entwicklung einer kleintechnischen Festbettpyrolyseapparatur, erfolgten experimentelle Untersuchungen an 26 biogenen Einsatzstoffen unter verschiedenen Prozessbedingungen. Die Apparatur erlaubt eine vollständige Bilanzierung und Gewinnung aller Produkte, zudem können Einflüsse durch sekundäre Reaktionen in der Gasphase minimiert werden. Die Einsatzstoffe, welche u. a. auch Zellstoff, Xylan und Alkali-Lignin einschließen, wurden hinsichtlich brennstofftechnischer und physikalischer Eigenschaften sowie der Stoffgruppenzusammensetzung charakterisiert. Sie repräsentieren eine große Bandbreite möglicher Zusammensetzungen. Bei den Prozessparametern wurde die Pyrolysetemperatur im Bereich von 200 bis 750 °C, die Aufheizrate zwischen 5 und 100 K/min, die Feststoffverweilzeit von 0 bis 30 min sowie die Partikelgröße (0 bis 5 mm) variiert. Aus den Untersuchungen zum Einfluss der Prozessparameter für die verschiedenen Einsatzstoffe wurden unter Anwendung einer geeigneten Bilanzierungsmethodik geschlossene Masse- und Elementbilanzen für jeden Versuchspunkt aufgestellt. Unter den Prozessvariablen konnte die Temperatur erwartungsgemäß als wichtigste Einflussgröße identifiziert werden. Der zweistufige Zersetzungsverlauf der Biomassen ermöglicht die mathematische Beschreibung der temperaturabhängigen Ausbeuten mittels der zweistufigen Boltzmann-Funktion für den gesamten Temperaturbereich mit hohen Bestimmtheitsmaßen. Die rohstofflichen Einflussgrößen wurden unter Anwendung der Rangkorrelationsmethode nach Spearman und der Produkt-Moment-Korrelation nach Pearson mit den definierten Zielgrößen (Ausbeuten, Produktzusammensetzung, Kokseigenschaften, Heizwerte, Energieeinbindung) bei verschiedenen Pyrolysetemperaturen korreliert. Neben der Stoffgruppenzusammensetzung konnten bei den rohstofflichen Einflussfaktoren die Gehalte an Alkalien sowie der Gesamtgehalt an potentiell katalytisch aktiven Bestandteilen (Na, K, Mg, Ca, Fe) als Haupteinflussgrößen identifiziert werden. Korrelationen ergeben sich auch für brennstofftechnische Eigenschaften, wobei neben dem Flüchtigen- und dem Aschegehalt, das O/C-Verhältnis signifikant ist. Die gefundenen statistischen Zusammenhänge können weitestgehend mechanistisch begründet werden. Zur Quantifizierung der ermittelten Zusammenhänge für die Zielgrößen wurden multiple Regressionsmodelle erstellt und anhand von Bestimmtheitsmaß, Informationskriterium und mittleren Modellfehlern bewertet. Somit konnten 42 Regressionsgleichungen für die Produktausbeuten bei verschiedenen Pyrolysetemperaturen entwickelt werden, die auf den Gehalten verschiedener Stoffgruppen und dem Gesamtgehalt an katalytisch aktiven Elementen basieren. Weitere 56 Regressionsgleichungen stehen für die Berechnung von Teer/Öl-Elementarzusammensetzung, Kokszusammensetzung, Teer/Öl-Heizwert sowie Energieeinbindung im Koks bei verschiedenen Pyrolysetemperaturen zur Verfügung. Die Prognoseeignung der Gleichungen wurde anhand eines weiteren Datensatzes für Apfeltrester überprüft. Für die Koks-, die Gas- und die Kondensatausbeute sowie die genannten Produkteigenschaften ergab sich eine gute Vorhersagequalität, die jedoch stark von der verwendeten Gleichung abhängt. Die Validierung mit Literaturdaten konnte aufgrund fehlender Datensätze, die sowohl die notwendigen Rohstoffparameter als auch Produktausbeuten und -eigenschaften enthalten, nur anhand der Koksausbeute erfolgen. Für verschiedene Biomassen und biogene Reststoffe führte dies zu einer guten Anpassung. Die mathematische Beschreibung der Ausbeuten und bestimmter Produkteigenschaften über Regressionsgleichungen auf Grundlage von Rohstoffparametern stellt einen vielversprechenden Ansatz für die Vorhersage der maximalen Ausbeuten bei bestimmten Bedingungen dar. Dies ermöglicht eine Abschätzung zur Einsatzeignung von Biomassen bzw. biogenen Reststoffen für verschiedene Anwendungszwecke. Bisher existiert kein derartiges Modell zur Vorhersage der definierten Zielgrößen. Grundsätzlich wäre die Entwicklung einfacher Gleichungen mit wenigen, einfach bestimmbaren und standardisierten Parametern erstrebenswert. Die Ergebnisse haben jedoch gezeigt, dass Ein-Variablen-Modelle die Trends zwischen den Biomassen aufgrund der komplexen Zusammenhänge zwischen Pyrolyseverhalten und Rohstoffparametern häufig nicht richtig wiedergeben können. Für robuste Modelle sind somit mindestens zwei unabhängige Modellparameter mit idealerweise gegensätzlichem Einfluss notwendig.:Abkürzungs- und Symbolverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x Abbildungsverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii Tabellenverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxiii 1 Einleitung und Zielstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 Kenntnisstand . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1 Zusammensetzung und Struktur von Lignocellulosen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1.1 Allgemeine chemische Zusammensetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.1.2 Struktureller Aufbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.1.3 Vorkommen und Einbindungsformen von anorganischen Bestandteilen . . . . . . . . . . . . . . . . . . . 14 2.2 Möglichkeiten zur Untersuchung der Pyrolyse von Biomassen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.1 Untersuchungsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.2 Verwendete Reaktoren zur Untersuchung der Biomassepyrolyse . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3 Reaktionsabläufe bei der Biomassepyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4 Einflussfaktoren auf Pyrolyseproduktverteilung und -eigenschaften . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.1 Einfluss rohstofflicher Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4.2 Einfluss verfahrenstechnischer Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.5 Beschreibung und Vorhersage des Pyrolyseverhaltens von Biomasse . . . . . . . . . . . . . . . . . . . . . 39 2.5.1 Empirische Modelle basierend auf statistischen Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.5.2 Kinetische Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.5.3 Modelle auf Basis der Stoffgruppenzusammensetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 2.5.4 Netzwerkpyrolysemodelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 2.6 Schlussfolgerungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3 Untersuchungsmethodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1 Einsatzmaterialien und deren Charakterisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1.1 Biomassen und Vorbehandlung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1.2 Charakterisierungsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2 Entwicklung einer apparativen Einrichtung zur Bilanzierung des Biomassepyrolyseprozesses . . . 55 3.2.1 Anforderungen und Zielstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.2.2 Konzeption, Dimensionierung und Optimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.2.3 Endgültige Konfiguration der Laborpyrolyseanlage (LPA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.3 Durchführung der Bilanzversuche an der LPA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .66 3.3.1 Parametervariationen bei der Festbettpyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3.3.2 Versuchsvorbereitung und -durchführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3.3.3 Produktrückgewinnung und -aufarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 3.4 Methodik bei der Bilanzierung des Pyrolyseprozesses im Festbettreaktor . . . . . . . . . . . . . . . . . . 69 3.4.1 Bilanzgleichungen und -annahmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 3.4.2 Fehlerabschätzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 4 Ergebnisse zur Charakterisierung der Einsatzmaterialien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.1 Brennstofftechnische Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.2 Chemisch-strukturelle Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 4.3 Physikalische Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86 5 Einfluss verfahrenstechnischer und rohstofflicher Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1 Bilanzfehler und Wiederholbarkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1.1 Vergleich der Bilanzierungsvarianten und Bilanzfehler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1.2 Wiederholbarkeit der Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 5.2 Einfluss verfahrenstechnischer Parameter auf Produktverteilung und -zusammensetzung . . . . 94 5.2.1 Einfluss radialer Temperaturgradienten in der Biomasseschüttung . . . . . . . . . . . . . . . . . . . . . 94 5.2.2 Pyrolysetemperatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.2.3 Empirische Gleichungen für die Temperaturabhängigkeit der Produktausbeuten . . . . . . . . . 103 5.2.4 Aufheizgeschwindigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 5.2.5 Feststoffverweilzeit bei Pyrolyseendtemperatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 5.3 Einfluss rohstofflicher Parameter auf Produktverteilung und -zusammensetzung . . . . . . . . . . . 111 5.3.1 Partikelgröße . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 5.3.2 Pyrolyse von Zellstoff, Xylan und Alkali-Lignin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 5.4 Kombinierte Betrachtungen zum Temperatur- und Rohstoffeinfluss . . . . . . . . . . . . . . . . . . . . . 120 6 Mathematische Zusammenhänge zwischen Rohstoffeigenschaften und Pyrolyseverhalten . . . . 133 6.1 Korrelation mit Rohstoffeigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 6.1.1 Produktausbeuten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 6.1.2 Produkteigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 6.1.3 Schlussfolgerungen zur Korrelation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 6.2 Regressionsanalyse und Multiple Regression zur Beschreibung des Pyrolyseverhaltens . . . . . 155 6.2.1 Modellvergleich am Beispiel der Koksausbeute bei 500 °C . . . . . . . . . . . . . . . . . . . . . . . . . . 155 6.2.2 Gleichungen zur Berechnung der Produktausbeuten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160 6.2.3 Gleichungen zur Berechnung der Produkteigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 6.2.4 Schlussfolgerungen zur Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 7 Vorhersagemöglichkeiten für das Pyrolyseverhalten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 7.1 Validierung der Modellgleichungen mit internem Datensatz . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 7.2 Validierung mit Literaturdaten zur Festbettpyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 8 Zusammenfassung und Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .181 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .187 Anhang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .208 A Weiterführende Informationen zu Kapitel 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .208 B Weiterführende Informationen zur Untersuchungsmethodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . .211 C Ergebnisse zur Einsatzstoffcharakterisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 D Ergebnisse zum Einfluss verfahrenstechnischer und rohstofflicher Parameter . . . . . . . . . . . . . . . 272 E Ergebnisse zur Korrelation des Pyrolyseverhaltens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .314 F Ergebnisse zur Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .348 G Ergebnisse zur Vorhersage des Pyrolyseverhaltens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .361 / The intention of this work was an intensive study of the influence of feedstock properties and process variables on biomass pyrolysis. Due to a lack in consistent data sets, including various feedstock parameters as well as product yields, compositions, and further properties, a laboratory fixed bed reactor was developed to overcome this problem. The pyrolysis reactor was used for experiments with 26 biogenous feedstock under variable process conditions. The reactor is suitable to assure nearly closed mass balances and a complete product recovery. Furthermore, it allows the minimization of secondary reactions. The used feedstock, which include cellulose, xylan, and lignin amongst others, represent a broad range of possible compositions and were intensively characterized by determination of fuel and physical properties as well as biopolymer composition. The varied process parameters are: temperature between 200 and 700 °C, heating rate in the range of 5 to 100 K/min, solid residence time from 0 to 30 min, and particle size up to 5 mm. Closed mass and element balances were done for every set of parameters. As expected, amongst process variables the temperature was identified as the main factor influencing biomass pyrolysis. The temperature depending products yields could be fitted well by the double boltzmann approach due to the two-stage pyrolytic decomposition of biomass. Correlation of feedstock properties with different target parameters, including yields, product composition, heating values, remaining energy content in char, and char properties, was done by Spearman´s rank correlation and Pearson´s correlation for different temperatures. Biopolymer composition as well as alkaline content and total content of potential catalytic elements (Na, K, Ca, Mg, Fe) were identified as main factors influencing biomass pyrolysis product yields and compositions. Further correlations arise with fuel properties like volatile matter and ash content besides O/C atomic ratio. The obtained correlations can be mainly related to pyrolysis mechanisms. The received relationships were quantified by means of multiple regression models. Model evaluation was done by coefficient of determination, information criteria and mean squared errors. 42 regression models, based on different biopolymer contents and the total content of catalytic elements, were provided for the mathematical description of product yields for different process temperatures. Another 56 equations are suitable for the calculation of product properties like tar/oil and char composition, tar/oil heating value, and remaining energy content in the char at different temperatures. The predictability of the regression models was proved using another data set for apple pomace. The yields of char, gas, and condensate as well as the aforementioned product properties can be predicted very well, although, the predictability varies with the applied equation. Validation of the models by literature data was only possible for the char yield, because of the mentioned lack in suitable and complete data sets. Application of regression model to fixed bed char yields for different biomass and biogenous residues from literature resulted in a good predictability. Mathematical description of pyrolysis product yields and properties by means of regression models based on feedstock parameters is a promising approach to predict maximum yields at defined conditions and, therefore, to make an estimation of suitability of the biomass to different applications. Up to now such models do not exist. In general, the development of simple equations based on a few standardized parameters which are easy to determine is worthwhile. Hence, the results showed that the overall trend between different biomass feeds was often not predicted correctly using one-parameter models. This is due to the complex relationships between pyrolysis behavior and feedstock properties. Consequently, at least two parameter models, where the variables show the opposite trends, were most appropriate.:Abkürzungs- und Symbolverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x Abbildungsverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii Tabellenverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxiii 1 Einleitung und Zielstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 Kenntnisstand . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1 Zusammensetzung und Struktur von Lignocellulosen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1.1 Allgemeine chemische Zusammensetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.1.2 Struktureller Aufbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.1.3 Vorkommen und Einbindungsformen von anorganischen Bestandteilen . . . . . . . . . . . . . . . . . . . 14 2.2 Möglichkeiten zur Untersuchung der Pyrolyse von Biomassen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.1 Untersuchungsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.2 Verwendete Reaktoren zur Untersuchung der Biomassepyrolyse . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3 Reaktionsabläufe bei der Biomassepyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4 Einflussfaktoren auf Pyrolyseproduktverteilung und -eigenschaften . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.1 Einfluss rohstofflicher Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4.2 Einfluss verfahrenstechnischer Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.5 Beschreibung und Vorhersage des Pyrolyseverhaltens von Biomasse . . . . . . . . . . . . . . . . . . . . . 39 2.5.1 Empirische Modelle basierend auf statistischen Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.5.2 Kinetische Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.5.3 Modelle auf Basis der Stoffgruppenzusammensetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 2.5.4 Netzwerkpyrolysemodelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 2.6 Schlussfolgerungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3 Untersuchungsmethodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1 Einsatzmaterialien und deren Charakterisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1.1 Biomassen und Vorbehandlung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.1.2 Charakterisierungsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2 Entwicklung einer apparativen Einrichtung zur Bilanzierung des Biomassepyrolyseprozesses . . . 55 3.2.1 Anforderungen und Zielstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.2.2 Konzeption, Dimensionierung und Optimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.2.3 Endgültige Konfiguration der Laborpyrolyseanlage (LPA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.3 Durchführung der Bilanzversuche an der LPA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .66 3.3.1 Parametervariationen bei der Festbettpyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3.3.2 Versuchsvorbereitung und -durchführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3.3.3 Produktrückgewinnung und -aufarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 3.4 Methodik bei der Bilanzierung des Pyrolyseprozesses im Festbettreaktor . . . . . . . . . . . . . . . . . . 69 3.4.1 Bilanzgleichungen und -annahmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 3.4.2 Fehlerabschätzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 4 Ergebnisse zur Charakterisierung der Einsatzmaterialien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.1 Brennstofftechnische Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.2 Chemisch-strukturelle Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 4.3 Physikalische Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86 5 Einfluss verfahrenstechnischer und rohstofflicher Parameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1 Bilanzfehler und Wiederholbarkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1.1 Vergleich der Bilanzierungsvarianten und Bilanzfehler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 5.1.2 Wiederholbarkeit der Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 5.2 Einfluss verfahrenstechnischer Parameter auf Produktverteilung und -zusammensetzung . . . . 94 5.2.1 Einfluss radialer Temperaturgradienten in der Biomasseschüttung . . . . . . . . . . . . . . . . . . . . . 94 5.2.2 Pyrolysetemperatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.2.3 Empirische Gleichungen für die Temperaturabhängigkeit der Produktausbeuten . . . . . . . . . 103 5.2.4 Aufheizgeschwindigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 5.2.5 Feststoffverweilzeit bei Pyrolyseendtemperatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 5.3 Einfluss rohstofflicher Parameter auf Produktverteilung und -zusammensetzung . . . . . . . . . . . 111 5.3.1 Partikelgröße . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 5.3.2 Pyrolyse von Zellstoff, Xylan und Alkali-Lignin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 5.4 Kombinierte Betrachtungen zum Temperatur- und Rohstoffeinfluss . . . . . . . . . . . . . . . . . . . . . 120 6 Mathematische Zusammenhänge zwischen Rohstoffeigenschaften und Pyrolyseverhalten . . . . 133 6.1 Korrelation mit Rohstoffeigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 6.1.1 Produktausbeuten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 6.1.2 Produkteigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 6.1.3 Schlussfolgerungen zur Korrelation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 6.2 Regressionsanalyse und Multiple Regression zur Beschreibung des Pyrolyseverhaltens . . . . . 155 6.2.1 Modellvergleich am Beispiel der Koksausbeute bei 500 °C . . . . . . . . . . . . . . . . . . . . . . . . . . 155 6.2.2 Gleichungen zur Berechnung der Produktausbeuten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160 6.2.3 Gleichungen zur Berechnung der Produkteigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 6.2.4 Schlussfolgerungen zur Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 7 Vorhersagemöglichkeiten für das Pyrolyseverhalten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 7.1 Validierung der Modellgleichungen mit internem Datensatz . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 7.2 Validierung mit Literaturdaten zur Festbettpyrolyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 8 Zusammenfassung und Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .181 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .187 Anhang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .208 A Weiterführende Informationen zu Kapitel 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .208 B Weiterführende Informationen zur Untersuchungsmethodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . .211 C Ergebnisse zur Einsatzstoffcharakterisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 D Ergebnisse zum Einfluss verfahrenstechnischer und rohstofflicher Parameter . . . . . . . . . . . . . . . 272 E Ergebnisse zur Korrelation des Pyrolyseverhaltens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .314 F Ergebnisse zur Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .348 G Ergebnisse zur Vorhersage des Pyrolyseverhaltens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .361

Den här studien har undersökt huruvida det föreligger något samband mellan prokrastinering, self-compassion och livstillfredsställelse. Det har även undersökts om studenter prokrastinerar i högre grad än de som arbetar. Studien har genomförts med en enkät som delats på internet och som till största delen spridits i Facebook-grupper. Det var 96 respondenter som svarade på enkäten och av dessa arbetade 61 personer och 35 studerade. Genom histogram framkom att underlaget för prokrastinering och livstillfredsställelse inte var normalfördelat. För att testa huruvida det föreligger någon signifikant skillnad mellan de som arbetar och de som studerar avseende prokrastinering, har det icke-parametriska testet Mann Whitney U använts. Resultatet visade att en signifikant skillnad föreligger och det är studenterna som i genomsnitt prokrastinerar i högst grad. Även skillnaden i grupperna avseende livstillfredsställelse testades med Mann Whitney U och en signifikant skillnad återfanns även här. Self-compassion jämfördes mellan studenter och arbetande med ett oberoende t-test, men någon signifikant skillnad förelåg inte. Vidare genomfördes korrelationsundersökningar, vilka testades med Spearman´s rho. Resultatet visade att det förelåg signifikanta korrelationer mellan prokrastinering och self-compassion samt self-compassion och livstillfredsställelse, men korrelationerna var relativt svaga. Slutsatsen blev således att studenterna prokrastinerade i högre grad än de som arbetade och att det fanns en signifikant negativ korrelation mellan prokrastinering och self-compassion samt en signifikant positiv korrelation mellan self-compassion och livstillfredsställelse. / The present study has examined whether there is any correlation between procrastination, self-compassion and life satisfaction and also whether students procrastinate to a greater extent than those who work. The study was conducted with a survey that was shared on the internet and was mainly distributed in Facebook groups. There were 96 respondents who answered the questionnaire and of these 61 worked and 35 studied. Histograms showed that the substrate for procrastination and life satisfaction was not normally distributed. To test whether there is any significant difference between those working and those studying when it comes to procrastination, the non-parametric Mann Whitney U test has been used. The results showed that there is a significant difference and it is the students who, on average, procrastinate most. The difference in life satisfaction groups was also tested with Mann Whitney U and a significant difference was also found here. The results from the self-compassion scale were tested with an independent t-test, and no statistically significant result was found. Correlation studies were also conducted, which were tested with Spearman´s rho. The results showed that there were significant correlations between procrastination and self-compassion as well as self-compassion and life satisfaction, but the correlations were relatively weak. The conclusion was that the students procrastinated to a greater extent than those who worked, and there was a significant negative correlation between procrastination and self-compassion and a significant positive correlation between self-compassion and life satisfaction.

Förr i tiden, ångturbiner har främst använts för baskraft operation. Numera med den ökade utvecklingen av varierande förnyelsbara är samma ångturbiner motstå högre cykliska operativa system med mer frekvent uppstarter och snabbt föränderliga laster. Som sådan, förbättra den operativa flexibiliteten hos installerade och framtida utformad ångturbiner är en viktig aspekt för att övervägas av utrustning. Ångturbin uppstart är en intressant fas eftersom anses vara den mest intrikata av transienter. Under denna fas kan maskinen potentiellt utsättas för omåttlig termiska spänningar och axiella gnugga på grund av differentiell termisk expansion. Dessa två termiska fenomen antingen konsumera komponent livstid eller kan leda till maskinhaveri om inte kontrolleras noggrant. Som sådan, det finns en balans som skall beaktas mellan ökande turbin uppstart hastighet samtidigt som säker drift och livslängd bevarande av dessa maskiner. För att förbättra den transienta operationer av ångturbiner, blir det viktigt att undersöka deras termiska beteende under uppstarter. För att göra detta, är det viktigt att ha verktyg som kan förutäga den termiska responsen hos maskinen. I denna avhandling fungerar effekterna av olika aspekter och randvillkor om resultaten av ST3M, en KTH internt verktyg, undersöktes med syfte att förstå hur stor blev deras inverkan på sättet att fånga den termiska beteendet hos turbinen i termer av metalltemperatur och differentiell expansion. En industriell högtrycksturbinen validerades mot uppmätta data och genomförs på en känslighetsanalys; denna analys visade att den geometriska approximation införa fel i resultaten, att användningen av empiriska Nusselt korrelationer ge liknande resultat som den validerade modellen och att håligheten antaganden har en stor inverkan på utvecklingen av expansionsskillnaden. Slutligen har en strategi för att validera någon annan liknande turbin till en av studien fallet föreslås för att ge en vägledning för framtida arbeten i hur att validera en modell och vilka är de mest inflytelserika parametrar att ta hand om. / In the past, steam turbines were mostly used for base load operation. Nowadays, with the increased development of variable renewable technologies, these same steam turbines are withstanding higher cyclic operational regimes with more frequent start-ups and fast changing loads. As such, improving the operational flexibility of installed and future designed steam turbines is a key aspect to be considered by equipment manufacturers. Steam turbine start-up is a phase of particular interest since is considered to be the most intricate of transient operations. During this phase, the machine can potentially be subjected to excessive thermal stresses and axial rubbing due to differential thermal expansion. These two thermal phenomena either consume component lifetime or can lead to machine failure if not carefully controlled. As such, there is a balance to be considered between increasing turbine start-up speed while ensuring the safe operation and life preservation of these machines. In order to improve the transient operation of steam turbines, it becomes important to examine their thermal behavior during start-up operation. To do that, it is important to have tools able to predict the thermal response of the machine. In this thesis work the impact of different aspects and boundary conditions on the results of ST3M, a KTH in-house tool, were investigated with the aim of understanding how large was their impact on the way to capture the thermal behavior of the turbine in terms of metal temperature and differential expansion. A small industrial high pressure turbine was validated against measured data and implemented on a sensitivity study; this analysis showed that the geometrical approximation introduce errors in the results, that the use of empirical Nusselt correlations give similar results to the validated model and that the cavity assumptions have a large impact on the trend of the differential expansion. Lastly, a strategy to validate any other similar turbine to the one of the study case was proposed in order to give a guide to future works in how to validate a model and what are the most influent parameters to take care of.

Paratyroideahormon (PTH) och kortisol är två analyter som i dagsläget analyseras i serum med elektrokemilumenicense på instrumentet Cobas 8000® på Klinisk Kemi på Länssjukhuset i Kalmar. I framtiden är det planerat att övergå till att analysera dem i plasma. Syftet med projektet var att jämföra värden som erhållits för serum samt plasma för de båda analyterna och undersöka korrelationen mellan dem. Samtidigt utvärderades metodernas repeterbarhet samt eventuellt inflytande av oförutsebara faktorer på mätresultaten med en totalimprecisionsstudie.  PTH är ett peptidhormon som reglerar kalciumhomeostasen i kroppen. Dysfunktion i produktionen av PTH kan leda till osteoporos, hjärtarytmier, muskelkramper samt mentala störningar. Kortisol är ett livsnödvändigt steroidhormon som påverkar ämnesomsättningen och säkerställande det centrala nervsystemets energibehov i situationer med hög stress. Båda analyserna utförs rutinmässigt samt akut och en övergång till plasma skulle framför allt vara tidsbesparande och generera kortare svarstider. Jämförelsen av serum och plasma gjordes med 15 prover från patienter där ett serumrör samt ett plasmarör hade tagits vid samma provtillfälle. Detta resulterade i en determinationskoefficient (r2) som var för PTH 0,9988 och för kortisol 0,9993.  Totalimprecisionen uppskattades genom att analysera två serumkontroller för PTH och kortisol med sex replikat under fem dagar. Variationskoefficienten (CV) för de två PTH-serumkontrollerna var 3,9% för IM2 respektive 3,1% för IM3. För kortisol-serumkontrollerna var CV 2,1% för IM1 respektive 1,3% för IM2. För metoderna eftersträvades ett CV under 5%. Slutsatsen var att korrelationen mellan serum och plasma var mycket god samt att metoderna hade en bra stabilitet och repeterbarhet. / Parathyroid hormone (PTH) and cortisol are hormones involved in regulation of important mechanisms in the human body. PTH regulates the homeostasis of calcium and dysfunction in PTH production and release could lead to osteoporosis and arrythmia. Cortisol is involved in the metabolism and assures energy to the central nervous system in times of physiological stress. The concentration of these analytes is clinically determined by electrochemical luminescence on the immunochemical assay platform Cobas 8000®. In the laboratory of clinical chemistry in Kalmar the assays are performed on samples obtained from serum but changing to plasma assays would be more efficient and less time consuming. The aim of this project was to compare measured concentrations for PTH and cortisol using samples obtained from serum and plasma, respectively and to determine the correlation between the obtained results. The analytical precision was also evaluated to appreciate the influence of unpredictable events on the results.  The comparison between the results obtained from serum and plasma was performed by analysing 15 patient samples. Each serum and plasma sample were taken at the same time and from the same patient. The coefficient of determination for PTH was calculated to 0,9988 and for cortisol 0,9993 in serum and plasma, respectively. For the evaluation of the analytical precision, six replicates of two different serum controls for each analyte was assayed during six replicates for five days. In total of 30 replicates for each control. The coefficient of variation (CV) for PTH controls was 3,9% for IM2 and 3,1% for IM3. CV for cortisol was 2,1% for IM1 and 1,3% for IM2. The conclusion from this project was that there was a strong correlation between serum and plasma and both assays had good precision and repeatability.

Fatigue is among the most critical forms of deterioration damage that occurs tosteel bridges. It causes a decline of the safety level of bridges over time. Therefore,the performance of steel bridges, which may be seriously affected by fatigue, shouldbe assessed and predicted. There are several levels of uncertainty involved in thecrack initiation and propagation process; therefore the probabilistic methods canprovide a better estimation of fatigue lives than deterministic methods. Whenthere are recurring similar details which may have correlation with each other andbe regarded as a system, there are distinct advantages to analyze them from asystem reliability perspective. It allows the engineer to identify the importance ofan individual detail or the interaction between details with respect to the overallperformance of the system. The main aim of this licentiate thesis is to evaluate probabilistic methods for reliabilityassessment of steel bridges, from both a single detail level and a systemlevel. For single details, an efficient simulation technique is desired. The widelyapplied Monte Carlo simulation method provides accurate estimation, however, isvery time-consuming. The Subset simulation method is investigated as an alternativeand it shows great feasibility in dealing with a multi-dimensional limit statefunction and nonlinear crack propagation. For larger systems, the spatial correlationis considered between details. An equicorrelation-based modelling approachhas been proposed as supplement to common simulation techniques to estimate thesystem reliability analytically and significantly reduce the simulation time. Withcorrelation considered, the information of one accessible detail could be used topredict the status of the system. While reliability analysis aims for a specific safety level, risk analysis aims to findthe most optimal solution. With consequences considered, a risk-based decisionsupport framework is formulated for the selected system, which is presented asa decision tree. It reveals that the decisions based on reliability assessment canbe different from those based on risk analysis, since they have different objectivecriteria. / Utmattning är en av de mest allvarliga nedbrytningsmekanismer som stålbroarutsätts för. Den orsakar en försämrad säkerhet för broar över tid. Därav måstestålbroars tillförlitlighet, som kan påverkas allvarligt på grund av utmattning, bedömasoch förutsägas. Flera olika nivåer av osäkerheter är involverade i initieringoch propagering av utmattningssprickor, varför sannolikhetsbaserade metoder kange en bättre uppskattning av utmattningslivslängden än deterministiska metoder.När liknande detaljer återkommer i en konstruktion och med korrelation mellanvarandra kan dessa betraktas som ett system, för vilket tillförlitlighetsmetoder påsystemnivå kan utnyttjas. Det gör det möjligt för ingenjören att identifiera betydelsenav en individuell detalj eller interaktionen mellan detaljer med avseende påsystemets totala tillförlitlighet. Det huvudsakliga syftet med denna licentiatuppsats är att utvärdera sannolikhetsbaserademetoder för uppskattning av stålbroars tillförlitlighet, både med avseendepå enskilda detaljer och på systemnivå. För enskilda detaljer eftersträvas en tidseffektivsimuleringsteknik. Den allmänt tillämpade Monte Carlo-simuleringsmetodenger en robust uppskattning, men är mycket tidskrävande. Subset-simuleringsmetodenundersöks som ett alternativ och den visar stor potential när det gäller att hanteraen flerdimensionell gränsfunktion och en olinjär sprickpropageringsmodell. På systemnivåbeaktas den rumsliga korrelationen mellan detaljer. En modelleringsmetodbaserad på konstant korrelation mellan detaljer har föreslagits som komplement tillvanliga simuleringstekniker för att uppskatta tillförlitligheten analytiskt och avsevärtminska simuleringstiden. Genom att utnyttja korrelationen kan informationom en tillgänglig detalj användas för att förutsäga systemets status. Medan en tillförlitlighetsanalys bedöms mot en specifik säkerhetsnivå används riskanalysenför att hitta den mest optimala åtgärden. Genom att beakta konsekvenserhar ett riskbaserat verktyg för beslutsstöd föreslagits och presenterats i form av ettbeslutsträd. Resultaten visar att besluten baserade på tillförlitlighet kan skilja sigfrån de som baseras på en uppskattad risk, eftersom metoderna har olika målfunktioner. / <p>QC 20201007</p>

Financial data is often said to follow different market regimes. These regimes, which not possible to observe directly, are assumed to influence the observable returns. In this thesis such regimes are modeled using hidden Markov models. We will investigate whether the five different currency pairs EUR/NOK, USD/NOK, EUR/USD, EUR/SEK, and USD/SEK exhibit market regimes that can be described using hidden Markov modeling. We will find the most optimal number of states and study the mean, variance, and correlations in each market regime. / Finansiella data sägs ofta följa olika marknadsregimer. Dessa marknadsregimer kan inte observeras direkt men antas ha inflytande på de observerade avkastningarna. I denna uppsats undersöks om de fem valutaparen EUR/NOK, USD/NOK, EUR/USD, EUR/SEK och USD/SEK tycks följa separata marknadsregimer som kan detekteras med hjälp av en dold Markovkedja.