Filter results

9657 resultaten

Mijnafval als potentiële bron van kritieke grondstoffen

Tijdens mijnbouwactiviteiten, waarbij waardevolle materialen en mineralen gewonnen worden, ontstaan afvalstromen. Maar wat vroeger als afval werd beschouwd, is dat met de kennis van nu niet meer. Bergen steen, andere residuen of metallurgische slakken bevatten nog materialen van economisch belang. Slimme herwinning van de afvalstromen kan belangrijke grondstoffen opleveren én de impact van het afval op het milieu verminderen. Feven Desta ontwikkelt een raamwerk om nauwkeurig in kaart te brengen en te modelleren welke mineralen er in afvalstromen aanwezig zijn. Ook wil ze aantonen hoeveel precies, waar het zich in de berg bevindt, en hoe de mineralen zich gedragen onder verschillende omstandigheden.. "Ik geloof dat het opnieuw delven van mijnafval een win-winscenario kan zijn voor de economie en het milieu. Het sluit aan bij de principes van verantwoorde mijnbouw en past in het concept van de circulaire economie." Waardevolle mineralen belanden in afval Mijnafval bevat om verschillende redenen vaak economisch interessante mineralen. Ten eerste kunnen niet alle waardevolle metalen efficiënt worden teruggewonnen tijdens de winning en verwerking van mineralen, waardoor ze in mijnafval terechtkomen. Ten tweede richten mijnbouwactiviteiten zich vaak op een specifieke grondstof, zoals goud bij goudwinning, waardoor andere waardevolle metalen zoals zilver, koper en kobalt, die ook in het erts aanwezig kunnen zijn (afhankelijk van de geologie van de afzetting), achterblijven. Bovendien kunnen natuurlijke processen zoals verwering en erosie na verloop van tijd bepaalde metalen concentreren in mijnafval, wat verder bijdraagt aan het economisch potentieel ervan. "Er is een enorme hoeveelheid mijnafval over de hele wereld en dit heeft potentie als alternatieve toekomstige bron voor metalen en andere mineralen. Het is echter een uitdaging om deze economisch interessante metalen te winnen, dus we moeten innovatief zijn", legt Desta uit. De mineralen in afval in kaart brengen Samen met collega's werkt Desta aan use cases in verschillende delen van Europa, zoals Spanje en Duitsland. Ze analyseren monsters met behulp van meerdere sensortechnologieën. Zo kunnen ze het materiaal identificeren en de samenstelling van verschillende mijnafvalstromen in 3D modelleren. Dit is om verschillende redenen niet zo eenvoudig als het klinkt. Mijnafval is een complex systeem en onderhevig aan veranderingen door invloeden van buitenaf. Met de multisensorische benadering is het mogelijk om meerdere gegevens te combineren, dit kan de nauwkeurigheid verbeteren van de kwantificering en modellering van het mijnafval, als ook de volumetrische variabiliteit van de samenstelling. "Deze benadering maakt het mogelijk om het potentieel voor secundaire mijnbouw te laten zien. Het draagt bij aan efficiënt gebruik van bronnen en het verminderen van afval, een belangrijk gegeven om zowel economische als milieuvoordelen te behalen, én sociale acceptatie," zegt Desta.

Half Height Horizontal

Nieuwe LDE trainee in D&I kantoor

Keehan Akbari is begin september begonnen als nieuwe LDE trainee bij het Diversity and Inclusion kantoor. Wat motiveerde hem om voor het D&I office te gaan werken, wat verwacht hij te bereiken tijdens dit traineeship? Lees het korte interview hieronder! Wat motiveerde je om je LDE-traineeship bij het Diversity and Inclusion office van TU Delft te volgen? Ik heb zowel de bachelor als de master Culturele Antropologie en Ontwikkelingssociologie aan de Universiteit Leiden afgerond. Binnen deze discipline ging mijn interesse vooral uit naar thema's als inclusie en diversiteit. Nadat ik was aangenomen als trainee voor het LDE-traineeship, ontdekte ik dat één van de mogelijke opdrachten toebehoorde aan het Diversity and Inclusion office. De keuze was vervolgens wat mij betreft snel gemaakt. Ik zag dit namelijk als een uitgelezen kans om de theorieën die ik tijdens mijn studie had geleerd in de praktijk toe te passen. Welke specifieke vaardigheden of ervaringen breng je mee naar het D&I kantoor die zullen helpen inclusiviteit op de campus te bevorderen? Ik ben iemand die graag verbindt in plaats van polariseert door rekening te houden met verschillende perspectieven en belangen van stakeholders. Ik geloof dat dit de manier is waarop je het meeste kunt bereiken bij het bevorderen van diversiteit en inclusie. In mijn optiek moet je namelijk meerdere partijen aan boord krijgen om de beste resultaten te behalen. Wat zijn je belangrijkste doelen nu je hier begint en hoe hoop je een impact te hebben? Een belangrijk doel voor mij dit jaar is om studenten meer te betrekken bij diversiteit en inclusie aan de universiteit. Eén manier waarop ik dit wil bereiken is door bij te dragen aan de oprichting van D&I studententeams. Door een D&I-studententeam op te richten voor faculteiten, wordt het mogelijk om gericht diversiteits- en inclusie gerelateerde kwesties aan te pakken die van toepassing zijn op de desbetreffende faculteit. Hoe denk je de verschillende (studenten)gemeenschappen binnen de universiteit te benaderen? Aangezien ik nieuw ben aan de TU Delft, is het allereerst van belang om hier mijn netwerk uit te breiden. Daarom ben ik op dit moment bezig met het verkennen van de universiteit en het kennismaken met verschillende stakeholders. Daarnaast ben ik van plan om nauw contact te onderhouden met verschillende studenten- en studieorganisaties om samen te onderzoeken hoe we de samenwerking op het gebied van diversiteit en inclusie kunnen versterken. Welkom bij ons team Keehan en we wensen je veel succes met je traineeship!

Wetenschappers TU Delft en Cambridge University werken samen aan innovatieve methoden om klimaatverandering te bestrijden

Al ruim anderhalf jaar werken onderzoekers van de TU Delft en het Cambridge University Centre for Climate Repair intensief samen aan baanbrekende technieken om wolken te beïnvloeden in de strijd tegen de opwarming van de aarde. Tijdens een tweedaagse bijeenkomst bespreken de teams hun voortgang. De onderzoekers van Cambridge richten zich op de technische ontwikkeling van een systeem dat zeewater kan vernevelen, waarbij zoutkristallen in de lucht worden gebracht om wolkenvorming te beïnvloeden. Het team van TU Delft, onder leiding van Prof. dr. ir. Herman Russchenberg, wetenschappelijk directeur van het TU Delft Climate Action Programma en hoogleraar Atmospheric Remote Sensing, onderzoekt de natuurkundige effecten van deze techniek. Prof. Russchenberg benadrukt het belang van dit onderzoek: "We hebben nu de eerste stappen gezet om noodmaatregelen te ontwikkelen tegen klimaatverandering. Als het nodig blijkt, moeten we voorbereid zijn om deze technieken in de praktijk te kunnen brengen. Liever gebruiken we het niet, maar het is goed om nu te onderzoeken hoe het werkt." Prof.dr.ir. Stefan Aarninkhof, decaan van de faculteit Civiele Techniek en Geowetenschappen, is trots dat de eerste resultaten in deze unieke samenwerking nu zichtbaar zijn. Als de onderzoekers in Delft en Cambridge kunnen aantonen dat het concept veelbelovend is, zullen binnen een jaar de eerste kleinschalige experimenten op een verantwoordelijke manier van start gaan. Dit onderzoek is mogelijk gemaakt dankzij de meerjarige steun van de Refreeze the Arctic Foundation, opgericht door de familie van TU Delft-alumnus Marc Salzer Levi . Dergelijke gulle bijdragen maken innovatief en impactvol onderzoek mogelijk dat dringende mondiale uitdagingen, zoals klimaatverandering, aanpakt. Grote donaties zoals deze stellen ons in staat om onderzoek van hoge impact en innovatie na te streven dat anders wellicht niet uitvoerbaar zou zijn, en tonen aan hoe onze gezamenlijke inzet en investeringen in de wetenschap kunnen leiden tot echte, transformerende oplossingen voor wereldwijde uitdagingen zoals klimaatverandering. Climate-Action Programme

Hoe systeemveiligheid Machine Learning systemen veiliger kunnen maken in de publieke sector

Machine Learning (ML), een vorm van AI waarbij patronen worden ontdekt in grote hoeveelheden data, kan heel handig zijn. Het wordt steeds vaker gebruikt, denk aan chatbot Chat GPT, voor gezichtsherkenning of aan spraaksoftware. Maar er zijn ook zorgen over de toepassing van ML systemen in de publieke sector. Hoe voorkom je dat het systeem bijvoorbeeld discrimineert, of op grote schaal fouten maakt met negatieve effecten op burgers? TU Delft wetenschappers, waaronder Jeroen Delfos, onderzochten hoe lessen uit de systeemveiligheid kunnen bijdragen aan een veiliger ML systeem in de publieke sector. ‘Beleidsmakers zijn druk met het bedenken van maatregelen om negatieve effecten van ML tegen te gaan. Uit ons onderzoek blijkt dat zij veel meer kunnen leunen op bestaande concepten en theorieën die hun waarde al hebben aangetoond in andere sectoren,’ zegt Jeroen Delfos. Jeroen Delfos Leren van andere sectoren In het onderzoek gebruikten de onderzoekers concepten van systeemveiligheid en systeemtheorie om de uitdagingen van het gebruik van ML systemen in de publieke sector te beschrijven. Delfos: ‘Concepten en tools uit de systeemveiligheidsliteratuur worden al veel gebruikt om de veiligheid van bijvoorbeeld de luchtvaart te ondersteunen, onder andere door ongelukken te analyseren met systeemveiligheidsmethodes, maar binnen het veld van AI en ML is dit nog niet gebruikelijk. Door de systeemtheoretische blik bekijken we veiligheid niet alleen als een resultaat van hoe de techniek werkt, maar juist als een resultaat van complexe set aan technische, sociale en organisationele factoren.’ De onderzoekers interviewden professionals uit de publieke sector om te zien welke factoren worden onderkend, en welke nog onderbelicht zijn. Bias Op een aantal punten kan terrein worden gewonnen om ML systemen in de publieke sector veiliger te maken. Zo wordt bijvoorbeeld bias in data nog vaak als een technisch probleem gezien, terwijl de oorsprong van die bias ver buiten het technische systeem kan liggen. Delfos: ’Denk dan bijvoorbeeld aan de registratie van criminaliteit. In buurten waar de politie vaker surveilleert wordt logischerwijs meer criminaliteit geregistreerd, waardoor deze buurten overgerepresenteerd worden in criminaliteitscijfers. Een ML systeem dat geleerd wordt patronen te ontdekken in deze cijfers zal deze bias gaan herhalen of zelf versterken. Het probleem zit echter in de manier van registreren, en niet in het ML systeem zelf.’ Risico’s verminderen Volgens de onderzoekers doen beleidsmakers en ambtenaren die bezig zijn met de ontwikkeling van ML systemen er goed aan om concepten van systeemveiligheid mee te nemen. Zo is het aan te raden om bij het ontwerpen van een ML systeem vooraf te identificeren wat voor ongelukken men wil voorkomen. Verder is een les vanuit systeemveiligheid, bijvoorbeeld in de luchtvaart, dat systemen in de praktijk de neiging hebben om over tijd steeds risicovoller te worden, omdat veiligheid steeds ondergeschikter raakt aan efficientie zolang er geen ongelukken gebeuren. ‘Het is dus belangrijk dat veiligheid een terugkomend onderwerp is bij evaluaties en dat de eisen voor veiligheid worden gehandhaafd’, aldus Delfos. Lees het paper over dit onderzoek.