Proceso para producir nanofibras de lignocelulosa (LCNF) a partir de fibras lignocelulósicas, que comprende las siguientes etapas: (a) someter a tratamiento oxidativo una pulpa lignocelulósica con contenido de lignina mayor al 10%, con una dosis de enzimas lacasas entre 10 y 200 U/g de fibra, durante 1 a 24 horas en un reactor con agitación constante, a una temperatura entre 45 y 55 °C, a pH entre 6 y 8, con una presión de oxígeno entre 1 y 5 bar, y con un mediador redox en una concentración entre 1 y 20 mM ; (b) elevar la temperatura del reactor entre 80 y 100°C una vez terminada la etapa (a) y mantener dicha temperatura, sin detener la agitación, durante 15 a 25 minutos ; (c) lavar y filtrar repetidamente con agua desionizada la pulpa obtenida en la etapa (b) hasta obtener un filtrado transparente, incoloro con un pH entre 6 y 7 para eliminar reactivos residuales ; (d) someter a una hidrólisis enzimática la pulpa obtenida en la etapa (c), que tiene una consistencia entre 1 y 10% m/m, con un complejo enzimático de celulasas con una dosis de entre 0,0085 y 0,0130 U/g de fibra, durante 45 a 90 minutos en un reactor con agitación constante a una temperatura entre 30 y 50°C, y a un pH entre 4 y 5,5 ; (e) elevar la temperatura del reactor entre 80 y 100 °C una vez terminada la etapa (d) y mantener dicha temperatura, sin detener la agitación, durante 20 minutos ; (f) someter la pulpa obtenida en la etapa (e) a un proceso de refinación mediante métodos mecánicos.

Método para determinar la trazabilidad de la contaminación fecal humana en matrices acuosas, donde estas matrices pueden ser agua dulce o salada, el cual comprende una combinación de la clásica colimetría fecal, con la correlación observada entre la biomasa microbiana viva total, medida como la concentración de Adenosin Tri Fosfato total (ATP) y la determinación por qPCR del número de copias del ADN mitocondrial humano (HmtDNA) presente en la muestra. Los tres parámetros determinados en la misma muestra permiten establecer el grado de contaminación fecal y discriminar su procedencia humana o no humana. Opcionalmente este método también permite, luego de la determinación del origen humano de la contaminación, determinar la presencia de diferentes agentes importantes para la salud humana, como lo es la presencia de virus o bacterias patógenas, disruptores endocrinos (hormonas sintéticas), o diferentes fármacos.

InRA corresponde a una interfaz gráfica de usuario desarrollada bajo el entorno MATLAB y conformada por archivos ejecutables en formato .m. Su desarrollo tiene como propósito automatizar el flujo analítico asociado al procesamiento, alineamiento y análisis quimiométrico de espectros 1H RMN a través de la incorporación de algoritmos especializados y ciertas adaptaciones específicas de metodologías reconocidas. Actualmente, InRA se encuentra en su versión 1.0 y se encuentra bajo la modalidad de software de libre acceso (open source). La interfaz se organiza en cuatro módulos principales los cuales actúan de manera secuencia y complementaria dentro del flujo analítico: 1.- Preprocessing: Permite importar un conjunto de espectros 1H RMN en formato .csv, .xlsx o .xls. Incluye herramientas de eliminación de señales no deseadas, normalización y una versión adaptada del algoritmo icoshift, el cual posibilita el alineamiento espectral automático mediante opciones gráficas intuitivas. 2.- Interval-based detection: Incluye un algoritmo desarrollado íntegramente por nuestro equipo como aporte innovador, compuesto de tres subprocesos llamados: detección de máximos y mínimos, delimitación de intervalos y corrección de intervalos. Este algoritmo fue diseñado para operar exclusivamente en función de la información espectral, sin depender de bibliotecas internas o parámetros instrumentales. 3.- Resonance Integration: Implementa una adaptación del método Multivariate Curve Resolution (MCR) el cual permite obtener información cualitativa y cuantitativa a partir de las señales (intervalos) previamente identificados. Además, el modulo permite visualizar resultados de manera intuitiva, estimar errores de modelamiento y evaluar la calidad de ajuste. 4.- Unsupervised Analysis: Incorpora principalmente el algoritmo Principal Component Analysis (PCA) para la evaluación cualitativa de fuentes de variabilidad y agrupamiento entre muestras. Contiene opciones de visualización específicas y parámetros estadísticos que facilitan la validación del modelo y la interpretación de resultados.

Se cuenta con las siguientes líneas de trabajo en análisis de fallas: - Caracterización microestructural. - Caracterización térmica. - Tratamientos térmicos. - Ensayos mecánicos. - Entre otros.