Aplicación de redes neuronales artificiales y modelos de adsorción dinámica para predecir la extracción de sustancias húmicas a partir de lixiviados de residuos sólidos municipales.

Scientific Reports volumen 13, número de artículo: 12421 (2023) Citar este artículo

95 Accesos

1 altmétrica

Detalles de métricas

La gestión sostenible de lixiviados de residuos sólidos municipales (MSWL, por sus siglas en inglés) requiere un cambio de paradigma desde la eliminación de contaminantes hasta la recuperación efectiva de recursos y la disminución de contaminantes simultáneamente. En este estudio, se extrajeron de la MSWL dos tipos de sustancias húmicas, el ácido fúlvico (FA) y el ácido húmico (HA). El HA se extrajo usando una solución de HCl y NaOH, seguido de FA usando un lecho de columna bajo operaciones diversificadas como caudal, concentración de entrada y altura del lecho. Además, este trabajo tiene como objetivo evaluar la eficiencia de los modelos de redes neuronales artificiales (RNA) y de adsorción dinámica en la predicción de FA. Con un caudal de 0,3 ml/min, una altura del lecho de 15,5 cm y una concentración de entrada de 4,27 g/ml, la capacidad máxima de FA se obtuvo a 23,03 mg/g. El análisis FTIR en HA y FA reveló varios grupos funcionales que contienen oxígeno, incluidos carboxílicos, fenólicos, alifáticos y cetonas. El alto valor del coeficiente de correlación (R2) y un valor de error cuadrático medio (MSE) más bajo se obtuvieron utilizando la ANN, lo que indica la capacidad superior de la ANN para predecir la capacidad de adsorción en comparación con el modelado tradicional.

El lixiviado producido en el vertedero municipal de residuos sólidos (RSU) es un subproducto de la descomposición de residuos biodegradables1. Cada año, los vertederos de residuos sólidos urbanos (RSU) producen cientos de miles de metros cúbicos de lixiviados con un alto contenido orgánico2. Actualmente, el movimiento hacia una economía circular se centra en la reutilización de materiales que antes se consideraban residuos para convertirlos en recursos valiosos3.

La recuperación exitosa de productos de valor agregado de MSWL requiere la utilización de tecnologías eficientes4. El tratamiento convencional de MSWL suele ser complicado, lo que tiene consecuencias medioambientales adversas y costes de cumplimiento5. MSWL puede ser un recurso potencial para recuperar productos de alto valor agregado6,7. Entre las numerosas sustancias que se pueden recuperar eficientemente de la MSWL, la sustancia húmica (HS) es la más importante debido a sus acciones multidireccionales y sus amplias aplicaciones8,9,10.

HS es una combinación de ácidos poliméricos, aromáticos y alifáticos producidos por la descomposición microbiana de desechos animales y vegetales. Según la solubilidad de los HS en agua a varios valores de pH, se pueden dividir operativamente en tres partes: ácido fúlvico (FA), ácido húmico (HA) y huminas (Hu)11,12,13. Debido a su estructura y capacidades, los HS mejoran el acondicionamiento del suelo, el desarrollo de las raíces, la absorción de nutrientes y el crecimiento de las plantas14. Recientemente, se ha reconocido que estas sustancias tratan contaminantes orgánicos (antibióticos, herbicidas, fungicidas y otros compuestos fenólicos) y metales pesados15,16,17. Por lo tanto, es necesario encontrar formas de extraer HS con alta eficiencia. Se han desarrollado numerosas técnicas de extracción de HS, incluida la adsorción de resina iónica o no iónica, el filtrado por membrana, etc.18,19. Las técnicas de adsorción de resina son uno de los enfoques más populares para la extracción de AG debido a su simplicidad, diseño sencillo, asequibilidad y bajo consumo de energía.

Los AG se pueden extraer mediante adsorción de resina, recomendado por la Sociedad Internacional de Sustancias Húmicas, en diferentes grupos químicos según su hidrofobicidad. La resina más utilizada es Suplite DAX-8 (anteriormente conocida como XAD-8). Varios estudios han empleado resina DAX-8 para extraer FA de MSWL. Baccot et al.20 Extrajeron HS de MSWL como enmiendas orgánicas para mejorar la estructura del suelo. También se emplearon procedimientos similares para extraer HA, FA y otros materiales orgánicos utilizando columnas DAX-821.

Los experimentos de adsorción dinámica pueden predecir y modelar curvas de ruptura (BTC). También se pueden ampliar fácilmente para su uso en la industria, lo que los convierte en un puente entre los experimentos a escala de laboratorio y las aplicaciones del mundo real. Además, dado que pueden gestionar muchas soluciones, son más precisos para identificar parámetros de diseño en usos prácticos22,23. Surgieron varios modelos matemáticos tradicionales para BTC de lecho fijo, incluidos los modelos de Thomas, Yoon-Nelson y Bed Depth Service Time (BDST)24. Estos modelos predicen una eficiencia de adsorción realista sin necesidad de una configuración experimental. Además, brindan información práctica sobre el diseño de columnas25. Sin embargo, falta información sobre la aplicación de estos modelos en la extracción de AF de MSWL mediante lecho fijo.

Además de los modelos tradicionales mencionados, para analizar los BTC se ha utilizado el modelo de red neuronal artificial (ANN). ANN, un modelo de inteligencia informática influenciado por procesos biológicos y neurológicos, es cada vez más popular para gestionar procesos no lineales26. ANN es ampliamente reconocida como una herramienta estadística sólida debido a una multitud de ventajas. Estas ventajas incluyen la capacidad de identificar patrones a través de pequeñas modificaciones, la capacidad de aproximar sistemas no lineales sin conocimiento previo de las relaciones variables, el uso simple y la capacidad de operar por separado de los diseños experimentales convencionales27. La selección del modelado de ANN se basó en las características anteriores para pronosticar y mejorar la extracción de FS de MSWL. En los últimos años, su uso en la simulación de procesos de adsorción ha atraído una gran atención28. Sin embargo, hasta donde sabemos, se informa poca literatura sobre la aplicación del modelo ANN en la extracción de FA con la columna de lecho fijo.

El objetivo principal de este estudio fue establecer métodos de extracción para obtener HA y FA de MSWL. Inicialmente, el HA se aisló aplicando la muestra a productos químicos HCl y NaOH. Posteriormente, el FA se extrajo utilizando una columna de adsorción de lecho fijo bajo variables operativas diversificadas, como caudal, altura del lecho y concentración de entrada. Los datos experimentales se evaluaron utilizando los modelos tradicionales de Thomas, Yoon-Nelson y BDST y el modelo ANN. Los modelos utilizados para simular y predecir la extracción de FA utilizando una columna de lecho fijo son aspectos novedosos de este estudio. Los resultados de este trabajo podrían contribuir a esfuerzos futuros para extraer HS de MSWL.

Las muestras de lixiviado se obtuvieron del vertedero de RSU en la ciudad de Yazd, Irán. Las muestras de lixiviados se llevaron a cabo en contenedores de polietileno directamente desde el vertedero al laboratorio. Las muestras se almacenaron a 4 °C inmediatamente después de su llegada para disminuir la actividad microbiana. Las caracterizaciones de las muestras de lixiviados se presentan en la Tabla 1.

Se formó un sedimento presionando mecánicamente una mezcla de un miligramo de HA y FA liofilizados con 100 mg de bromuro de potasio (KBr). Los gránulos se utilizaron con el fin de analizar la estructura de HA y FA. Los espectros FTIR se obtuvieron dentro del rango de número de onda de 4000 a 400 cm-1 con una resolución de 4 cm y 16 exploraciones por adquisición29.

La muestra de MSWL se filtró con papel de filtro de 0,45 µm. Después de la filtración, la muestra se ajustó a un pH inferior a 2 con HCl concentrado y luego se refrigeró durante 24 h para precipitar HA. Después de 24 h, se usaron soluciones de NaOH 0,1 N para disolver HA filtrado a través de papel de filtro de 0,45 μm. Tras el aislamiento de HA, sólo quedaron FA y la fracción hidrófila. El AF en la MSWL se extrajo usando una columna de lecho fijo y la corriente restante fue una solución rica en nutrientes30,31. Después de la adsorción, las resinas enriquecidas con FA deben regenerarse posteriormente con NaOH 0,1 M, y en este trabajo se evaluó el rendimiento de la reutilización de la resina32.

Para estudiar los procesos de adsorción en lecho fijo se utilizó una columna de tubo de vidrio Pyrex con un diámetro de 10 mm y una altura de 31 cm. La columna se rellenó con resinas DAX-8 y el fondo se cubrió con lana de vidrio para evitar que se escapara el adsorbente (Fig. 1). La resina DAX 8, obtenida de Sigma-Aldrich, está clasificada como éster acrílico hidrófilo. Muestra una capacidad de intercambio iónico relativamente baja de 10-2 Mequiv/g, posee un tamaño de poro promedio de 225 Å y demuestra un área de superficie de 160 m2/g33. Una bomba peristáltica mantuvo un caudal constante de solución de HS de una concentración específica a través de la columna. Las alturas del lecho fueron 6,3, 12,4 y 15,5 cm (equivalentes a 2,07 g, 2,96 gy 3,90 g de resinas DAX-8, respectivamente). Las concentraciones de HS de entrada fueron 4,27, 8,15 y 16,8 g/L. Además, los caudales empleados fueron 0,3, 1 y 2 ml/min. A intervalos periódicos, se recolectaron muestras para determinar la concentración restante de carbono orgánico total (TOC). La recolección de muestras continuó hasta que las concentraciones de HS en las muestras de lixiviado de entrada y salida fueron iguales.

Esquema del proceso continuo de columna de lecho fijo.

El rendimiento de las columnas de adsorción de lecho fijo se evaluó analizando los BTC. Los BTC generalmente estaban representados por la relación Ct/C0, donde C0 es la concentración de entrada de HS (mg/L) y Ct es la concentración de HS en el tiempo t, respectivamente. El tiempo en el que las concentraciones de HS de salida de las muestras de MSWL alcanzaron el 5% de la concentración de HS de entrada se define como tiempo de penetración (tb). El tiempo de agotamiento (te) ocurre cuando las concentraciones de HS de salida exceden el 95% de las concentraciones de entrada34,35. Los parámetros de diseño experimental se determinaron para los BTC de la columna para la adsorción de FA en resina DAX-8. En este tipo de análisis, la parte superior de los BTC representa el peso total del adsorbato (qtotal, mg)36, que se puede calcular utilizando la ecuación. (1):

donde Q representa el caudal de HS (mL/min), C0 es la concentración de entrada de HS (mg/L), Ct es la concentración de HS en el momento t y t es el tiempo (min).

Usando la siguiente ecuación, el volumen de producción, Vout (mL), se calculó como:

La capacidad de equilibrio para la adsorción de FA (qe, mg/g) se puede calcular utilizando la ecuación. (3):

donde, M (g) es la masa de la resina DAX-8.

Finalmente, la eficiencia total de extracción de AG (%) se puede determinar de la siguiente manera37:

El modelo de columna de lecho fijo podría predecir los BTC con precisión en varias situaciones diferentes. Estas predicciones nos permiten identificar las condiciones operativas sin realizar pruebas adicionales a gran escala26. En este estudio, los BTC se ajustaron utilizando los modelos de Thomas, Yoon-Nelson y BDST.

El modelo de Thomas se utiliza para hacer predicciones sobre la capacidad de adsorción. Además, evalúa el desempeño de los BTC estimando la correlación entre la concentración de producción (Ct) y el tiempo (t)38. El modelo no lineal de Thomas se establece de la siguiente manera39:

donde, C0 es la concentración de entrada de HS (mg/L), Ct es la concentración de HS en el tiempo t (mg/L), t es el tiempo (min), KT es la constante de velocidad de Thomas (mL/mg min), Q denota el caudal (L/min), m es la masa de la resina DAX-8 (g) y qT es la capacidad de adsorción de la columna (mg/g).

El modelo de Yoon-Nelson se utiliza frecuentemente en sistemas de adsorbato único debido a su capacidad para ignorar las propiedades del adsorbato y los tipos de adsorbente35. El modelo no lineal de Yoon-Nelson se puede describir como:

donde, KYN es la constante de velocidad de Yoon-Nelson (L/mg min), y τ es el tiempo necesario para una ruptura del 50 % de FA (min).

La forma más común y esencial del modelo en el proceso de lecho fijo es el modelo BDST, elaborado por Hutchins y basado en una propuesta de Bohart y Adams22. Muestra que los parámetros de adsorción a cualquier altura del lecho se pueden estimar eficientemente utilizando una correlación lineal con el tiempo de servicio (t) y la profundidad del lecho (H)40. El modelo BDST se puede expresar de forma lineal como:

donde, KBDST es la constante de velocidad de BDST (L/mg min), H es la profundidad del lecho (cm), N0 es la capacidad de adsorción de la columna (mg/L) y la velocidad de la columna cuando está vacía, denota por ν (cm/min).

El error entre los parámetros de adsorción medidos y previstos se puede obtener como:

donde xexp indica los datos empíricos y xcal se calcula en base al modelo de adsorción.

Para determinar el modelo más adecuado en función de su bondad de ajuste con los datos experimentales, es imperativo realizar un análisis exhaustivo de los datos utilizando técnicas de análisis de errores. Este estudio empleó cuatro análisis de errores distintos, a saber, la suma de los cuadrados de los errores (SSE), la suma de los errores absolutos (SAE), los errores relativos promedio (ARE) y el error estándar relativo promedio (ARS), para evaluar la magnitud. del error. Las ecuaciones correspondientes para cada análisis se pueden encontrar en la Tabla S1.

En este trabajo, se utilizó el enfoque ANN para evaluar el rendimiento de extracción de FA. El modelo ANN comprende diferentes capas, incluida la capa de entrada, las neuronas ocultas, la capa de salida, el peso y los sesgos de la conexión, la función de activación y el asentimiento de suma26,35. La versión R2020a del software MATLAB se utiliza para implementar el modelo ANN. Para ello, los resultados experimentales se dividieron en tres categorías: formación (70%), validación (15%) y pruebas (15%). Se aplicó el algoritmo Levenberg-Marquardt para entrenar la RNA. Además, las funciones de transferencia tan-sigmoidea y lineal se utilizaron como funciones de activación de las capas oculta y de salida, respectivamente.

La evaluación del modelo ANN se realizó utilizando métricas de rendimiento, incluido el error absoluto medio (MAE), el error cuadrático medio (MSE), el error cuadrático medio (RMSE), el coeficiente de determinación (R2) y el índice de concordancia (IA). . Las ecuaciones para cada una de las medidas de desempeño se presentan en la Tabla S2.

Se utilizó el enfoque de matriz de peso para evaluar la importancia relativa del caudal, la concentración de entrada, la altura del lecho y el tiempo total de salida en la capacidad de adsorción de FA. Garson desarrolló este enfoque como41:

Ij es la importancia relativa de la j-ésima variable de entrada. Las variables de entrada se indican con Ni, mientras que Nh indica neuronas de capa oculta. El peso de la conexión está representado por W; Las capas de entrada, oculta y de salida están representadas por las letras i, h y o. Además, varias neuronas de entrada, ocultas y de salida están representadas por las letras k, my n.

Los espectros FTIR para HA y FA extraídos de MSWL se muestran en la Fig. 2. Los espectros de las estructuras químicas básicas de HA y FA revelaron algunas bandas idénticas y otras diferentes. El pico de 3378 cm-1 se encuentra en el espectro del HA, relacionado con el grupo O-H fenólico y alcohólico del ácido húmico42. Los espectros de HA y FA contienen un pico prominente a 2959–2863 cm-1 y están asignados a C-H43 alifático. El pico alto a 1560 cm-1 en el espectro de HA se atribuye al C-O de los grupos carboxílicos44. La banda de aproximadamente 1646 cm-1 en el espectro FA puede atribuirse a la presencia de grupos amida, quinonas y cetonas45. El pico a 1416 y 1327 cm−1 en HA y FA está relacionado con el estiramiento de polisacáridos C – H, C – O46. Las bandas alrededor de 1104 y 1076 cm-1 estaban relacionadas con grupos aromáticos C-C (en el anillo)47. HA y FA exhibieron picos en el rango de 929–607 cm-1 que están relacionados con componentes minerales y vibraciones aromáticas de CH (fuera del plano), respectivamente48.

Espectros FTIR de HA y FA de MSWL.

El efecto del caudal en la extracción de FA se estudió utilizando caudales de entrada de 0,3, 1 y 2 ml/min a una concentración de entrada de 4,27 g/l y una altura del lecho de 15,5 cm. La Figura 3a muestra los BTC de FA a tres caudales, y la Tabla 2 muestra el análisis de los parámetros de avance para la adsorción continua de FA. El aumento del caudal disminuyó el tiempo de penetración de la columna (tb). A caudales de 0,3 ml/min y 2 ml/min, el tb fue de 12,5 min y 2,77 min, respectivamente. Además, se observó una mayor capacidad de adsorción a caudales más bajos (23,03, 20,47 y 19,27 mg/g para caudales aplicados de 0,3, 1 y 2 ml/min, respectivamente). Cuando el caudal es lo suficientemente bajo, los grupos funcionales de la resina tienen el tiempo adecuado para interactuar con el FA. La concentración de salida alcanza rápidamente el valor inicial cuando aumenta el caudal del sistema, lo que resulta en un avance temprano26,49.

Efectos del caudal (a), la altura del lecho (b) y la concentración de entrada (c) sobre los BTC de adsorción de FA.

La altura del lecho de un sistema de adsorción continua es un factor de diseño crítico porque determina cuánto tiempo permanece la solución en la columna y cuántos sitios de adsorción están disponibles50. La Figura 3b muestra los BTC para la adsorción de FA para tres alturas de lecho diferentes de 6,3, 12,4 y 15,5 cm con un caudal de 0,3 ml/min y una concentración de entrada de 4,27 g/l. Como se indica en la Tabla 2, el tb aumentó de 4,16 a 12,5 min cuando la altura de la cama aumentó de 6,3 a 15,5 cm. Además, aumentar la altura de la columna mejoró la capacidad de adsorción porque había más lugares tensioactivos de la resina DAX-8 disponibles para FA (21,66, 22,94 y 23,03 mg/g para una altura de lecho aplicado de 6,3, 12,4 y 15,5 cm). respectivamente). Aumentar la altura de la cama aumenta el tiempo necesario para alcanzar la ruptura y el agotamiento51. Por lo tanto, se observaron tiempos de penetración y agotamiento más prolongados para la columna con una altura de lecho más profunda porque la columna podía contener más adsorbente DAX-8, proporcionando más grupos funcionales para unirse con FA26. La altura del lecho adsorbente tiene un impacto significativo en la captura de AG durante la adsorción dinámica. Es evidente que es preferible una columna de lecho más grande para el aislamiento de FA; sin embargo, se debe evaluar cuidadosamente el tiempo necesario35,49.

Se emplearon tres valores diferentes para examinar la influencia de la concentración de entrada en los BTC (4,27, 8,15 y 16,8 g/l), junto con una altura del lecho de 15,5 cm y un caudal de 0,3 ml/min. Los resultados se muestran en la Tabla 2 y la Fig. 3c. El aumento de las concentraciones de entrada resultó en tiempos de penetración y agotamiento más cortos, lo que puede haber causado una rápida saturación de los sitios de adsorción52. Cuando la concentración aumentó de 4,27 a 16,8 g/L, la capacidad de adsorción aumentó de 23,03 a 24,55 mg/g (Tabla 2). Debido a que el poder impulsor de la transferencia de masa del proceso de adsorción aumenta al aumentar la concentración de entrada, el FA satura rápidamente los sitios de adsorción en la resina53. La tasa de extracción se redujo de 61,63 a 30,23 con una mayor concentración de entrada. Esto se debe a que a medida que aumenta la concentración de entrada, aumenta la concentración de salida. Al mismo tiempo, una tasa de extracción más lenta resulta de un tiempo de penetración más corto.

La cinética de adsorción y los parámetros de ruptura a partir de los datos experimentales deben estimarse utilizando los modelos de Thomas, Yoon Nelson y BDST.

Los kT y qT para el modelo de Thomas se obtuvieron ajustando la ecuación. (5) a datos experimentales. Los parámetros y los resultados del ajuste del modelo de Thomas a los datos experimentales se muestran en la Tabla 3 y la Fig. 4, respectivamente. De la Tabla 3, los niveles de R2 (0,9857–0,9961) obtenidos de ajustes no lineales fueron relativamente altos y los niveles de error (0,22–3,23) fueron bajos. Al aumentar la altura del lecho, las válvulas kT disminuyeron, mientras que los valores de qT mostraron una tendencia creciente.

Los BTC previstos para la adsorción de FA mediante el modelo de Thomas, (a) caudal; (b) altura de la cama; (c) concentración de entrada.

Por el contrario, al aumentar el caudal, los valores de kT aumentaron, pero el valor de qT disminuyó. A caudales altos, los FA solo permanecen en la columna durante un período corto, lo que resulta en una disminución en la capacidad de adsorción debido a la reducción de la velocidad de transporte desde la superficie del adsorbente. Una mayor concentración de HS de entrada aumentó el nivel de q0 pero disminuyó el nivel de kT. Esto se debe al aumento del poder impulsor de la transferencia de masa y a la duración del contacto entre la resina y FA35. La capacidad de adsorción obtenida a partir de datos experimentales (qe,exp) es relativamente cercana a qT.

Los resultados del ajuste del modelo no lineal de Yoon-Nelson a los datos experimentales de adsorción de FA se muestran en la Fig. 5. Los parámetros KYN y τ para el modelo se tabulan en la Tabla 4. Los valores de R2 están por encima de 0,98, lo que indica que Yoon -El modelo de Nelson describe correctamente el proceso de adsorción de AG. El valor del parámetro KYN mostró una tendencia creciente al aumentar el caudal y la concentración de entrada. Sin embargo, los niveles de τ disminuyeron, lo que indica que el tiempo de contacto es insuficiente para FA y el sitio requerido para la adsorción de resina. Los niveles de KYN disminuyen gradualmente al aumentar la altura del lecho adsorbente, mientras que los niveles de τ mostraron una tendencia creciente. Al aumentar la masa de DAX-8, se facilita el contacto de FA con el lecho adsorbente, lo que resulta en un proceso prolongado de adsorción en columna. Se ve que los niveles de τcal encontrados con el modelo de Yoon-Nelson y los niveles de τexp en el estudio de adsorción en columna están cercanos entre sí.

Los BTC previstos para la adsorción de FA mediante el modelo de Yoon-Nelson, (a) caudal; (b) altura de la cama; (c) concentración de entrada.

Para calcular KBDST y N0 en el modelo BDST, la Ec. (7) utilizaron datos experimentales para trazar la correlación entre el tiempo de servicio en el punto de ruptura y la profundidad de la columna de lecho empacado54. La Figura 6 muestra el ajuste lineal y los parámetros del modelo del BDST en puntos de ruptura del 10%, 30%, 70% y 90%, respectivamente (Tabla S3). Los coeficientes de correlación de este modelo se obtuvieron entre. 9554 y 0,9652. Al aumentar el punto de ruptura de 0,1 a 0,9, el valor de N0 aumentó de 77,32 mg/L a 288,06 mg/L, y el valor de KBDST se redujo de 0,086 L/mg min a 0,024 L/mg min. Muestra que la tasa de difusión de AG desde el lixiviado al adsorbente ha disminuido debido a la reducción del gradiente de concentración55.

Resultado del modelo BDST del proceso de adsorción de FA en diferentes puntos de ruptura.

Además del R2, los modelos de avance óptimos para la adsorción de FA en estudios de columnas se determinaron empleando diferentes funciones de error, como se indica en la Tabla S1. Este estudio empleó cuatro análisis de errores distintos para evaluar el rendimiento de tres modelos: el modelo Thomas, Yoon-Nelson y BDST. Los valores de error, a saber, SSE, SAE, ARE y ARS, obtenidos para el modelo de Thomas y Yoon Nelson se presentan en las Tablas 3 y 4. Normalmente, valores de error más pequeños indican una alineación más fuerte entre el modelo innovador y los datos experimentales, lo que sugiere una mejor adaptar. Los valores de error disminuyeron con el aumento de las concentraciones iniciales, el caudal y la altura del lecho. El valor de error calculado utilizando el modelo de Thomas y Yoon Nelson también es mínimo en comparación con el modelo BDST. En resumen, los modelos de Yoon-Nelson y Thomas describieron eficazmente los hallazgos experimentales.

Para estimar la capacidad de adsorción de FA, se desarrolló un modelo de ANN con tres capas de retroalimentación y se entrenó la red neuronal utilizando el enfoque de optimización de Levenberg-Marquardt. Como datos de entrada del modelo se utilizaron el caudal, la concentración de entrada, la altura del lecho y el tiempo total de salida. Por otro lado, la capacidad de adsorción de FA se consideró la capa de salida (Fig. 7a). Los rangos de variables de entrada y salida y un diagrama gráfico de la ANN optimizada se muestran en la Tabla S4 y la Fig. S1, respectivamente. Para determinar el número óptimo de neuronas en las capas ocultas, se deben realizar varias simulaciones con los diferentes números de neuronas, en las que se obtenga el MSE más bajo56. La correlación entre el MSE y los valores de las neuronas de la capa oculta se ve en la Fig. 7b. El MSE más bajo lo obtuvieron nueve neuronas, seleccionadas como condición optimizada.

(a) Diagrama esquemático de ANN en este estudio; (b) Efecto de las neuronas ocultas.

La relación entre los datos experimentales y los datos predichos por el modelo ANN se muestra en la Fig. 8a. Además, los datos experimentales y previstos se muestran en la Tabla S5. Los parámetros R2, MSE, RMSE, MAE e IA para este modelo son 0,999, 0,624, 0,790, 0,625 y 0,488, respectivamente. Por lo tanto, parece que el modelo ANN puede predecir con precisión la extracción de FA en la columna de lecho fijo.

(a) Correlación entre la capacidad de adsorción de FA obtenida del modelo ANN y los experimentos; (b) la importancia relativa de cada parámetro de entrada.

Se utilizó un análisis de sensibilidad para estimar el nivel de influencia de los parámetros operativos en la extracción de AF. Conectando el valor de peso del modelo incluido en los datos de la Tabla S6. La importancia de los parámetros de entrada se evalúa mediante la ecuación. (9). La importancia relativa de cada variable de entrada se muestra en la Fig. 8b. El tiempo total de salida, con una importancia relativa del 34,45%, resultó ser la variable más influyente en la adsorción de AG. Después de eso, la importancia relativa del caudal, la concentración de entrada y la altura de la columna se obtuvo en 25,15%, 24,41% y 15,99%, respectivamente. En el proceso de adsorción de AG de MSWL, lograr una mayor capacidad de adsorción requiere más tiempo, por lo que se considera la variable más influyente.

Para poder extraer el FA a gran escala de forma práctica, la columna debe poder utilizarse más de una vez. Sólo así se podrán mantener bajos los costes del proceso de extracción57. Este estudio evaluó la eficacia de la resina DAX-8 saturada mediante tres ciclos de adsorción-desorción utilizando una solución de NaOH 0,1 M. La Figura 9 muestra los BTC para estos tres ciclos de regeneración. El tiempo de avance, el tiempo de agotamiento, la capacidad de adsorción y la tasa de extracción de cada ciclo se tabulan en la Tabla S7. Como puede verse, el tiempo de avance y agotamiento en los ciclos 1 a 3 disminuyó gradualmente de 10,44 a 7,58 min y de 97,21 a 83,42 min, respectivamente. Además, debido a la disminución del tiempo de penetración y agotamiento después de tres ciclos de adsorción-desorción, la capacidad de adsorción y la tasa de extracción disminuyeron de 17,21 a 13,11 mg/g y de 49,21 a 31,47%, respectivamente. Cabe señalar que la eficiencia de la regeneración estuvo por encima del 50% después de tres ciclos. Esto demuestra que la resina DAX-8 tiene potencial para ser reutilizada.

Los BTC experimentales para la adsorción de FA durante los ciclos de regeneración.

Con base en el objetivo de esta investigación, la extracción de HA y FA de MSWL se realizó de manera efectiva. El material extraído se caracterizó mediante análisis FTIR, que confirmaron grupos funcionales, incluidos carboxílicos, fenólicos, alifáticos y cetonas.

Se investigó la influencia de diversas variables operativas (caudal, concentración de entrada y altura del lecho) en el rendimiento de la columna. El tiempo de penetración, los tiempos de agotamiento, la capacidad de adsorción y la tasa de extracción aumentaron con una altura de lecho alta y un caudal bajo.

Al aumentar la concentración de entrada, la capacidad de adsorción de AG aumenta mientras que el tiempo de penetración, los tiempos de agotamiento y la tasa de extracción disminuyen. Los modelos propuestos por Thomas y Yoon-Nelson mostraron un fuerte ajuste con los datos de la columna experimental, lo que sugiere su capacidad para estimar con precisión las curvas de avance (BTC). El modelo BDST demostró una fuerte correlación lineal entre la profundidad del lecho y el punto de ruptura, lo que indica su potencial idoneidad para el diseño de columnas. Con base en el análisis estadístico realizado, se determinó que los datos experimentales mostraron un fuerte ajuste con el modelo propuesto. El modelo ANN tuvo los mejores coeficientes de correlación y el MSE más pequeño en comparación con los otros modelos estudiados. Con una importancia relativa del 34,45%, el tiempo total de producción se ubicó como el más importante de todos los parámetros. La importancia relativa del caudal, la concentración de entrada y la altura de la columna fue del 25,15%, 24,41% y 15,99%, respectivamente. Se regeneraron los lechos de columna agotados y las capacidades de adsorción se cambiaron de 41,29 a 31,47 mg/g después de tres ciclos, lo que indica un valor relativamente práctico para extraer FA de MSWL.

Los conjuntos de datos utilizados y/o analizados durante el presente estudio están disponibles del autor correspondiente previa solicitud razonable.

Nanda, S. & Berruti, F. Tecnologías de gestión de residuos sólidos municipales y vertederos: una revisión. Reinar. Química. Letón. 19, 1433-1456 (2021).

Artículo CAS Google Scholar

Sharma, P. & Kumar, S. Caracterización y evaluación de fitotoxicidad de contaminantes orgánicos en desechos sólidos municipales viejos y frescos en vertederos a cielo abierto: un estudio de caso. Reinar. Tecnología. Innovación. 24, 101938 (2021).

Artículo CAS Google Scholar

Puntillo, P., Gulluscio, C., Huisingh, D. & Veltri, S. Reevaluación de los residuos como recurso bajo un enfoque de economía circular desde una perspectiva sistémica: hallazgos de un estudio de caso. Autobús. Estrategia. Reinar. 30, 968–984 (2021).

Artículo de Google Scholar

Cheng, SY et al. Tratamiento de aguas residuales de lixiviados de vertedero para facilitar la recuperación de recursos mediante un proceso de coagulación-floculación mediante puentes de hidrógeno. Quimiosfera 262, 127829 (2021).

Artículo ADS CAS PubMed Google Scholar

Iskander, SM, Brasil, B., Novak, JT & He, Z. Recuperación de recursos de lixiviados de vertederos mediante sistemas bioelectroquímicos: oportunidades, desafíos y perspectivas. Biores. Tecnología. 201, 347–354 (2016).

Artículo CAS Google Scholar

Kurniawan, TA y cols. Recuperación de recursos de lixiviados de vertederos: una investigación experimental y perspectivas. Quimiosfera 274, 129986 (2021).

Artículo ADS CAS PubMed Google Scholar

Kurniawan, TA y cols. Recuperación de recursos hacia la sostenibilidad mediante la eliminación de nutrientes de los lixiviados de vertederos. J. Medio Ambiente. Administrar. 287, 112265 (2021).

Artículo CAS PubMed Google Scholar

Ye, W. et al. Gestión sostenible del concentrado de lixiviados de vertedero mediante la recuperación de sustancia húmica como fertilizante líquido mediante nanofiltración suelta. Agua Res. 157, 555–563 (2019).

Artículo CAS PubMed Google Scholar

Gu, N., Liu, J., Ye, J., Chang, N. y Li, Y.-Y. Recuperación de bioenergía, amoníaco y sustancias húmicas a partir de lixiviados de residuos sólidos urbanos: una revisión e integración de procesos. Biores. Tecnología. 293, 122159 (2019).

Artículo CAS Google Scholar

Lin, J. y col. Gestión sostenible del concentrado de lixiviados de vertederos mediante nanofiltración mejorada mediante el ensamblaje rápido en un solo paso de complejos de coordinación organometálicos. Agua Res. 204, 117633 (2021).

Artículo CAS PubMed Google Scholar

Guo, X.-X., Liu, H.-T. y Wu, S.-B. Sustancias húmicas desarrolladas durante el compostaje de residuos orgánicos: mecanismos de formación, propiedades estructurales y funciones agronómicas. Ciencia. Medio ambiente total. 662, 501–510 (2019).

Artículo ADS CAS PubMed Google Scholar

Łomińska-Płatek, D. & Anielak, AM Balance cuantitativo y análisis de los cambios de ácidos fúlvicos en el proceso de tratamiento de aguas residuales municipales. Recurso Acuático. Indiana 26, 100155 (2021).

Artículo de Google Scholar

Nguyen, HV-M., Lee, H.-S., Lee, S.-Y., Hur, J. y Shin, H.-S. Cambios en las características estructurales de los ácidos húmicos y fúlvicos bajo cloración y su asociación con la formación de trihalometanos y ácidos haloacéticos. Ciencia. Medio ambiente total. 790, 148142 (2021).

Artículo ADS CAS PubMed Google Scholar

Meng, F., Huang, Q., Yuan, G., Cai, Y. & Han, FX Nuevas tendencias en la eliminación de metales pesados ​​de aguas residuales industriales 131–160 (Elsevier, 2021).

Reservar Google Académico

Xu, P. y col. La amplia aplicación y mecanismo de los ácidos húmicos para el tratamiento de contaminantes ambientales: conocimientos del análisis bibliométrico. J. Limpio. Pinchar. 337, 130510 (2022).

Artículo CAS Google Scholar

Lipczynska-Kochany, E. Sustancias húmicas, sus interacciones microbianas y efectos sobre las transformaciones biológicas de contaminantes orgánicos en el agua y el suelo: una revisión. Quimiosfera 202, 420–437 (2018).

Artículo ADS CAS PubMed Google Scholar

Piccolo, A., Spaccini, R., De Martino, A., Scognamiglio, F. & di Meo, V. El lavado del suelo con soluciones de sustancias húmicas del abono de estiércol elimina los contaminantes de metales pesados ​​en función de la composición molecular húmica. Quimiosfera 225, 150-156 (2019).

Artículo ADS CAS PubMed Google Scholar

Kleber, M. & Lehmann, J. Las sustancias húmicas extraídas por álcalis son sustitutos no válidos de la dinámica y funciones de la materia orgánica en los ecosistemas terrestres y acuáticos. J. Medio Ambiente. Cual. 48, 207–216 (2019).

Artículo CAS PubMed Google Scholar

Mahler, CF, Dal Santo Svierzoski, N. & Bernardino, CAR Características químicas de las sustancias húmicas en la naturaleza. en Sustancias Húmicas (2021).

Baccot, C., Pallier, V., Thom, MT, Thuret-Benoist, H. & Feuillade-Cathalifaud, G. Valorización de la materia orgánica extraída de lixiviados de residuos sólidos municipales: aplicación a suelos de Francia y Togo. Gestión de residuos. 102, 161-169 (2020).

Artículo CAS Google Scholar

Vithanage, M., Wijesekara, H. & Mayakaduwa, S. Aislamiento, purificación y análisis de carbono orgánico disuelto de lixiviados no controlados de vertedero abierto de Gohagoda, Sri Lanka. Reinar. Tecnología. 38, 1610-1618 (2017).

Artículo CAS PubMed Google Scholar

Chen, C. y col. Modelos de adsorción dinámica y predicción de redes neuronales artificiales de la adsorción de mercurio mediante una fibra de poliacrilonitrilo injertada con dendrímero en una columna de lecho fijo. J. Limpio. Pinchar. 310, 127511 (2021).

Artículo CAS Google Scholar

Naddafi, K., Rastkari, N., Nabizadeh, R., Saeedi, R. & Gholami, M. Eliminación de 2, 4, 6-triclorofenol de soluciones acuosas mediante zeolita modificada con bromuro de cetilpiridinio (CPB) en sistemas discontinuos y continuos . Desalinización. Tratamiento de agua. 86, 131-138 (2017).

Artículo CAS Google Scholar

Chu, KH Análisis de la curva de avance mediante modelos simplistas de adsorción en lecho fijo: en defensa del modelo centenario de Bohart-Adams. Química. Ing. J. 380, 122513 (2020).

Artículo CAS Google Scholar

Hethnawi, A., Manasrah, AD, Vitale, G. y Nassar, NN Estudios en columnas de lecho fijo sobre la eliminación de carbono orgánico total de aguas residuales industriales mediante el uso de diatomita decorada con nanopartículas de piroxeno funcionalizadas con polietilenimina. J. Ciencia de la interfaz coloidal. 513, 28–42 (2018).

Artículo ADS CAS PubMed Google Scholar

Chen, S., Bai, S., Ya, R., Du, C. y Ding, W. Eliminación continua de ácido silícico en una columna de lecho fijo utilizando una resina modificada: investigación experimental y modelado de redes neuronales artificiales. J. Ing. de Procesos de Agua. 49, 102937 (2022).

Artículo de Google Scholar

Juela, D., Vera, M., Cruzat, C., Astudillo, A. y Vanegas, E. Un nuevo enfoque para ampliar columnas de adsorción de lecho fijo para sistemas acuosos: un caso de eliminación de antibióticos en adsorbente natural. Proceso de seguridad. Reinar. Prot. 159, 953–963 (2022).

Artículo CAS Google Scholar

Chowdhury, S. & Saha, PD Modelado de redes neuronales artificiales (ANN) de la adsorción de azul de metileno por cáscara de arroz modificada con NaOH en un sistema de columnas de lecho fijo. Reinar. Ciencia. Contaminación. Res. 20, 1050–1058 (2013).

Artículo CAS Google Scholar

Raguraj, S., Kasim, S., Jaafar, NM, Nazli, MH y Amali, RKA Un estudio comparativo de sustancias húmicas derivadas de residuos de té con sustancias húmicas derivadas del lignito sobre su composición química, propiedades espectroscópicas y actividad biológica. Reinar. Ciencia. Contaminación. Res. 29, 60631–60640 (2022).

Artículo CAS Google Scholar

Mallick, SP Desarrollo de métodos para el aislamiento de sustancias húmicas acuáticas y su aplicación a lixiviados de vertederos (Universidad Lamar-Beaumont, 2017).

Google Académico

Chen, C.-Y., Li, W.-T. y Pan, S.-Y. Evaluación del desempeño de la separación en cascada para la recuperación de sustancias húmicas y nutrientes de aguas residuales de granjas porcinas hacia una bioeconomía circular. Sostenimiento ACS. Química. Ing. 9, 8115–8124 (2021).

Artículo CAS Google Scholar

Liu, H., Li, Y., Yang, H., Siddique, MS & Yu, W. Los caracteres de la materia orgánica disuelta de la hojarasca imitan los diferentes estados de humificación y sus efectos en los procesos de tratamiento de agua potable. Ciencia. Medio ambiente total. 861, 160470 (2023).

Artículo ADS CAS PubMed Google Scholar

Hughes, D., Holliman, P., Jones, T., Butler, AJ y Freeman, C. Fraccionamiento rápido y semiautomático de carbono orgánico disuelto en agua dulce utilizando resinas DAX 8 (XAD 8) y XAD 4 en tándem. Nat. Ciencia. 8, 487–498 (2016).

CAS Google Académico

Aslam, MMA, Den, W. y Kuo, H.-W. Eliminación de cromo hexavalente mediante nanotubos de carbono magnéticos modificados con quitosano encapsulados: estudio y modelado de columnas de lecho fijo. J. Ing. de Procesos de Agua. 42, 102143 (2021).

Artículo de Google Scholar

Bai, S., Li, J., Ding, W., Chen, S. y Ya, R. Eliminación de boro mediante una resina modificada en una columna de lecho fijo: análisis de la curva de avance utilizando modelos de adsorción dinámica y un modelo de red neuronal artificial. Quimiosfera 296, 134021 (2022).

Artículo ADS CAS PubMed Google Scholar

Hu, A. et al. Recuperación de fosfato con lodo rojo neutralizado activado por ácido granular: rendimiento de la columna de lecho fijo y modelado de curvas de avance. J. Medio Ambiente. Ciencia. 90, 78–86 (2020).

Artículo CAS Google Scholar

Feizi, F., Sarmah, AK y Rangsivek, R. Adsorción de productos farmacéuticos en una columna de lecho fijo utilizando carbón activado a base de neumáticos: investigaciones experimentales y modelos numéricos. J. Peligro. Madre. 417, 126010 (2021).

Artículo CAS PubMed Google Scholar

Dalhat, M., Mu'azu, ND y Essa, MH Modelos de desintegración generalizada y redes neuronales artificiales para la adsorción de compuestos fenólicos de lecho fijo en biocarbón de palmera datilera activado. J. Medio Ambiente. Química. Ing. 9, 104711 (2021).

Artículo CAS Google Scholar

Han, R., Wang, Y., Zou, W., Wang, Y. & Shi, J. Comparación de análisis lineal y no lineal en la estimación de los parámetros del modelo de Thomas para la adsorción de azul de metileno en zeolita natural en columna de lecho fijo. J. Peligro. Madre. 145, 331–335 (2007).

Artículo CAS PubMed Google Scholar

Callery, O. & Healy, MG Predicción de la propagación de frentes de concentración y saturación en filtros de lecho fijo. Agua Res. 123, 556–568 (2017).

Artículo CAS PubMed Google Scholar

Hosseinzadeh, A. et al. Aplicación de red neuronal artificial y regresión lineal múltiple en el modelado de recuperación de nutrientes en vermicompost bajo diferentes condiciones. Biores. Tecnología. 303, 122926 (2020).

Artículo CAS Google Scholar

Nuzzo, A., Buurman, P., Cozzolino, V., Spaccini, R. y Piccolo, A. Espectros infrarrojos de la materia orgánica del suelo bajo una secuencia de vegetación primaria. Química. Biol. Tecnología. Agrícola. 7, 1-12 (2020).

Artículo de Google Scholar

Guzeva, A. Características geoquímicas de los ácidos húmicos extraídos de sedimentos de lagos urbanos del Ártico. Reinar. Monit. Evaluar. 194, 749 (2022).

Artículo CAS PubMed Google Scholar

Chen, H., Li, Q., Wang, M., Ji, D. & Tan, W. XPS y análisis de correlación FTIR bidimensional sobre las características de unión del ácido húmico a la superficie de caolinita. Ciencia. Medio ambiente total. 724, 138154 (2020).

Artículo ADS CAS PubMed Google Scholar

Verrillo, M. et al. Actividad antiinflamatoria y posibles aplicaciones dermatológicas de los ácidos húmicos caracterizados de un lignito y un compost verde. Ciencia. Rep. 12, 2152 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Savy, D., Cozzolino, V., Vinci, G., Nebbioso, A. & Piccolo, A. Las ligninas solubles en agua de diferentes cultivos bioenergéticos estimulan el desarrollo temprano del maíz (Zea mays, L.). Moléculas 20, 19958–19970 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Santos, J. et al. Compuestos de alto valor obtenidos de cañas de uva (Vitis vinifera L.) mediante extracción con álcali a presión de vapor. Bioproductos alimentarios. Proceso. 133, 153–167 (2022).

Artículo CAS Google Scholar

Monda, H., Cozzolino, V., Vinci, G., Spaccini, R. & Piccolo, A. Características moleculares de la materia orgánica extraíble con agua de diferentes biomasas compostadas y sus efectos sobre la germinación de semillas y el crecimiento temprano del maíz. Ciencia. Medio ambiente total. 590, 40–49 (2017).

Artículo ADS PubMed Google Scholar

Talat, M. et al. Eliminación efectiva de fluoruro del agua mediante carbón activado de cáscara de coco en columna de lecho fijo: análisis de curvas experimentales y de avance. Terreno. Sostener. Desarrollo. 7, 48–55 (2018).

Artículo de Google Scholar

Alardhi, SM, Albayati, TM y Alrubaye, JM Adsorción del contaminante colorante verde de metilo de una solución acuosa utilizando materiales mesoporosos MCM-41 en una columna de lecho fijo. Heliyon 6, e03253 (2020).

Artículo PubMed PubMed Central Google Scholar

Ansari, A., Nadres, ET, Đỗ, M. & Rodrigues, DF Investigación de la eliminación y recuperación de nitrato mediante un compuesto enriquecido con aminas en diferentes condiciones de columna de lecho fijo. Proceso de seguridad. Reinar. Prot. 150, 365–372 (2021).

Artículo CAS Google Scholar

Abdolali, A. et al. Aplicación de un biosorbente innovador para eliminar metales pesados ​​de aguas residuales sintéticas y reales en una columna continua de lecho fijo a escala de laboratorio. Biores. Tecnología. 229, 78–87 (2017).

Artículo CAS Google Scholar

Girish, C. & Murty, VR Adsorción de fenol a partir de una solución acuosa utilizando Lantana camara, desechos forestales: estudios de lecho compacto y predicción de curvas de avance. Reinar. Proceso. 2, 773–796 (2015).

Artículo de Google Scholar

Du, Z., Zheng, T. & Wang, P. Estudios experimentales y de modelado sobre adsorción en lecho fijo para la eliminación de Cu (II) de una solución acuosa mediante fibra de yute modificada con carboxilo. Tecnología en polvo. 338, 952–959 (2018).

Artículo CAS Google Scholar

Fallah, N. & Taghizadeh, M. Adsorción continua en lecho fijo de Mo (VI) a partir de soluciones acuosas mediante Mo (VI) -IIP: análisis de curvas de avance y modelado matemático. J. Medio Ambiente. Química. Ing. 8, 104079 (2020).

Artículo CAS Google Scholar

Gupta, KN & Kumar, R. Utilización de lecho fijo para el aislamiento de vapor de xileno: cinética y optimización utilizando metodología de superficie de respuesta y red neuronal artificial. Reinar. Ing. Res. 26, 200105 (2021).

Artículo de Google Scholar

Şentürk, İ & Alzein, M. Eliminación por adsorción de azul básico 41 utilizando rendimiento adsorbente de cáscara de pistacho en sistemas por lotes y columnas. Sostener. Química. Farmacéutica. 16, 100254 (2020).

Artículo de Google Scholar

Descargar referencias

Esta investigación fue apoyada por la Universidad de Ciencias Médicas Shahid Sadoughi, Yazd, Irán, (Subvención No: 8361) como parte de una tesis doctoral (IR.SSU.SPH.REC.1399.169).

Centro de Investigación de Ciencia y Tecnología Ambiental, Departamento de Ingeniería de Salud Ambiental, Facultad de Salud Pública, Universidad de Ciencias Médicas Shahid Sadoughi, Yazd, Irán

Salimeh Rezaeinia, Ali Asghar Ebrahimi, Arash Dalvand, Mohammad Hassan Ehrampoush y Mehdi Mokhtari

Departamento de Bioestadística y Epidemiología, Centro de Investigación de Prevención y Epidemiología de Enfermedades No Transmisibles, Universidad de Ciencias Médicas Shahid Sadoughi, Yazd, Irán

Hossien Fallahzadeh

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

SR realizó los experimentos y redactó el manuscrito. AAE y AD analizaron los resultados experimentales. MHE y HF interpretaron los datos. MM contribuyó al diseño de experimentos y preparación de materiales y leyó y aprobó el manuscrito final. Todos los autores comentaron versiones anteriores del manuscrito.

Correspondencia a Mehdi Mokhtari.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Rezaeinia, S., Ebrahimi, AA, Dalvand, A. et al. Aplicación de redes neuronales artificiales y modelos de adsorción dinámica para predecir la extracción de sustancias húmicas a partir de lixiviados de residuos sólidos municipales. Informe científico 13, 12421 (2023). https://doi.org/10.1038/s41598-023-39373-2

Descargar cita

Recibido: 15 de mayo de 2023

Aceptado: 25 de julio de 2023

Publicado: 01 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39373-2

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.