הפקולטה להנדסה ע"ש איבי ואלדר פליישמן

28 פברואר 2021

זיהום הזפת בחופי ישראל: עם מה אנחנו מתמודדים?!

זיהום הזפת בחופי ישראל (צילום: ד"ר סיגל שפר)

"חופי ישראל מזוהמים בפליטה של נפט וזפת. על פי ההערכות בגלל זרמי הים שנוצרו בזמן הסערה, הנפט או המזוט, הספיק להתגבש לכדי זפת - הגיעו בכמויות גדולות לחופי ישראל. פסולת גושי הזפת דורשת איסוף ידני מתיש ואילו פסולת מעורבת בשמן דורשת טיפול מיוחד כגון טיפול ביולוגי או טיפול בשריפה. ניקוי הנפט שצף על המים היא פעולה מסובכת והאפשרויות הן שיקום ביולוגי, הקשיה כימית, שימוש בסקימר להפרדת שמן ממים, שריפת הנפט, הוספת פולימר לאיסוף השמן, לא לעשות כלום ושאיבת הנפט והרדה ע"י צנטריפוגה", מסבירה פרופ' הדס ממן - ראשת התוכנית להנדסת סביבה המתמחה בטיהור מי שתייה.

בתמונה: מתנדבות מבית הספר לזואולוגיה (צילום: ד"ר סיגל שפר)

כששמן פוגש מים

דלק נוזלי הינו ברובו ממקור נפט גולמי (פטרוליום) המכיל ברובו פחמימנים (hydrocarbons) יכול גם להכיל סוגים שונים של פחמימנים ארומטיים, מתכות כבדות, תרכובות גופרית ועוד. כאשר השמן נכנס למים, הוא מתפשט במהירות על פני המים, ועוצמת הזיהום תלויה בצפיפות יחסית ובהרכב השמן. המטרה העיקרית של נספח 1 של אמנת מרפול - MARPOL (Marine Pollution) היא להגן על הסביבה הימית באמצעות מניעה מוחלטת של זיהום על ידי נפט וגורמים מזיקים אחרים. ניתן להגדיר על פי האמנה, את המונח "נפט" כנוזל צמיג המכיל נפט שיכול להיות בצורת נפט גולמי, מזוט כבד, בוצה, פסולת נפט ומוצרים מזוקקים. זה כולל גם כולל תערובות ונטל של אוניות.

הדלק הנפוץ עבור כלי שייט ימיים הינו Heavy Grade Fuel Oil המוגדר ע"י מרפול כנפט גולמי בעל צפיפות גבוהה מעל 900 ק"ג למ"ק בטמפרטורה של 15 מע"צ, וצמיגות קינמטית הגבוהה מ- 180 מילימטר רבוע לשניה ב- 50 מע"צ, וזפת אספלט ואימולסיות שלהן. תחת אמנת מרפול 2020 מחוייבות ספינות במשקל גבוה להשתמש בדלק מופחת גופרית, בכדי לצמצם את זיהום האוויר. דלקים בעלי משקל מולקולרי גבוה מכילים בין 1-5% של בוצה או פסולת שמנים של הדלק, שאמנת מרפול אוסרת השלכת פסולת זו לים. אך לצערינו הים הוא שטח הפקר.

צילום: ד"ר סיגל שפר

זיהום שנובע מפחממנים מנפט גולמי מאוד רעיל לבעלי חיים וצמחים

"זיהום שנובע מפחממנים מנפט גולמי מאוד רעיל לבעלי חיים וצמחים ומכיל מגוון רחב של פחממנים כולל שרשראות ארוכות של אלקאנים רווים, שרשראות אלקאנים מסועפות, ואלקנים, גם הנפט המזוקק מכיל מס' רב של פחממנים. התכונות הפיזיקליות והכימיות של הפחממנים קובעות את דרגת הרעילות והזמינות שלהם למטבוליזים של מיקרואורגניזמים. לפחממנים מגוון השלכות מזיקות בריאותיות התלויות ברגישות האורגניזם ודרגת החשיפה. הפחממנים מזיקים לאיברים ומערכות כמו כליות, כבד ומערכת הרבייה, מע' הדם וכו', ועלולות לגרום למגוון הפרעות ומחלות" מוסיפה פרופ' ממן.

עם מה אנחנו בעצם מתמודדים?

"ואם זה אנחנו צריכים להתמודד! פגיעה קשה באקולוגיה, פגיעה בחיות שגם אלו ששרדו את האסון יסבלו ממחלות קשות ומוטציות, פגיעה בנו בבני האדם שהים מהוה מקום מפלט אחרון והיה לצערי סגור בפנינו מרבית השנה האחרונה, פגיעה בילדים כמקום בריחה ממסכים, ומקום שאפשר להשתולל ולהנות אחרי הסגרים הרבים, ופגיעה בתיירות פנים וחוץ שגם ככה ספגה קשיים כלכליים. זה אסון מכל בחינה אפשרית ואחרי השנה הזו שעברנו אי אפשר לתאר את גודל הכאב!" מסכמת פרופ' ממן.

ידיעות נוספות בנושא

פרופ' עירד בן גל

הדיפ-פייק: בשנים האחרונות הצטרף איום נוסף וחמור לא פחות.

מהנדס/ת לפרוייקטי מחקר לימודיים בתחום המידע הרפואי המחלקה להנדסה ביו-רפואית

דרישות התפקיד:

« חזרה לכל המשרות

קרא עוד אודות מהנדס/ת לפרוייקטי מחקר לימודיים בתחום המידע הרפואי המחלקה להנדסה ביו-רפואית

Material Planner

B.S.C in industrial engineering from a leading and recognized university
3 years of experience in operational & planning roles
Ability to gain the cooperation of others, cooperate and lead complex interfaces with no authority
Ability to work under pressure, manage and prioritize multiple tasks in parallel and manage timelines & due dates independently
Very good analytical skills, sharp & fast thinker
High interpersonal skills, ability to lead and cooperate with complex interfaces

« חזרה לכל המשרות

קרא עוד אודות Material Planner

Deep Learning Intern (3 months) for Ph.D, M.Sc student

What are we looking for?

PhD/MSc student in EE/CS/Mathematics, in the field of Deep Learning
2+ years of experience in Deep Learning or Computer Vision
Proficient in python and in DL frameworks (TensorFlow or Pytorch)
Problem solving, innovative approach

Advantages

Previous publications in relevant fields

« חזרה לכל המשרות

קרא עוד אודות Deep Learning Intern (3 months) for Ph.D, M.Sc student

סמינר מקוון עם אמיתי קליגמן

Amitay Kligman

M.Sc. student under the supervision of Dr. Yuval Beck

18 במרץ 2021, 17:00

זום

קישור לזום

אבסטרקט

Non-Intrusive Load Monitoring (NILM) process is intended for separating individual power features from an aggregated energy reading, in order to estimate the operation of individual appliances.

In the past, electricity meters specified only active power reading, for billing purposes, limiting the abilities of NILM solutions. However, recent progress in smart metering technology introduced cost-effective, household consumer-grade metering products, which can produce multiple features with high accuracy.

In this research, a new technique is proposed to apply BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies) method as part of a multi-dimensional load disaggregation solution, based on extraction of multiple features from a smart meter.

The new technique is called Disaggregation in NILM by means of multidimensional BIRCH clustering (DNB).

The main contribution of this research is a technique, comprises four-steps for NILM solution that utilizes a multi-dimensional feature-space with adaptation to power quality parameters.

The proposed algorithm is simple, fast, light-weight, can use raw data samples from a smart meter, can use low-frequency samples reading and does not require a preliminary training or learning process. The proposed method was tested using a private dataset, demonstrating a good use of multi-dimensional space. Further tests involved a limited-dimensional scenario, using AMPds public dataset, in order to compare performance to other NILM algorithms. Some additional experiments in a severe-noise environment were also performed, in order to further explore DNB boundaries and limitations.

סמינר מקוון עם סיון ניב

Sivan Niv

M.Sc. student under the supervision of Dr. Amir Natan

28 בפברואר 2021, 14:00

זום

קישור לזום

אבסטרקט

The evaluation of atomic forces and total energy is a key challenge for large-scale atomistic simulations of materials. In recent years, machine learning techniques are successfully used to predict potential energies and derive the atomic forces through their gradient. In such methods, the training data is produced by quantum calculations, typically Density Functional Theory (DFT).

The direct prediction of atomic forces by deep learning (DL) models was demonstrated by other groups and us.

It has the advantage of being local and slightly faster while still maintaining state of the art mean absolute error (MAE). A disadvantage is that the forces might be non-conserving.

Like models that predict the energy, direct force models should behave well under symmetry operations and permutation of atoms.

Here, we show how the use of self-learned embedding layers and data augmentation help to achieve both goals. We evaluate the model's reliability by several measures: the resulting mean average error (MAE), the calculation of phonons spectra in several solids, the behavior of force derivatives under atom movement, and finally, the resulting radial distribution function (RDF) after molecular dynamics runs which use the model forces at several temperature values.

We show that the MAE alone is not a sufficient measure for a successful model.