Anaerobic digestion (AD) is an important step in waste recovery. In Colombia, the production of citrus food significantly contributes to environmental impact via waste generation. In 2021, the waste produced, specifically citrus rind, amounted to 725,035 tons/year. During degradation, wastes generate leachate and greenhouse gases (GHGs), which negatively impact water sources (leachate), soil, and human and animal health. This article describes the design of a two-phase biodigestion system for the degradation of organic matter and biogas production. The system uses citrus waste to produce biogas with neutral emissions. The biodigestion process begins with the stabilization of the methanogenesis reactor (UASB), which takes approximately 19 days. During this period, the biogas produced contains approximately 60% methane by volume. Subsequently, the packed bed reactor operates for 7 days, where hydrolytic and acetogenic bacteria decompose the citrus waste, leading to the production and accumulation of volatile fatty acids. The final step involves combining the two phases for 5 days, resulting in a daily biogas production ranging from 700 to 1100 mL. Of this biogas, 54.90% is methane ($\mathrm{C}{\mathrm{H}}_4$) with a yield of $0.51 \mathrm{L}\mathrm{C}{\mathrm{H}}_4{\left(\mathrm{g}\mathrm{S}\mathrm{V}\right)}^{-1}$. This study assesses the methane production capacity of citrus waste, with the process benefiting from the pH value of the leachate, enhancing its degradability. Consequently, this approach leads to a notable 27.30% reduction in solids within the digestion system. The two-phase anaerobic biodigestion system described in this article demonstrates a promising method to mitigate the environmental impact of citrus waste while concurrently producing a renewable source of energy.

A previsão precisa da radiação solar é fundamental para diversas áreas, como energia solar e agricultura. A Inteligência Artificial (IA) tem se mostrado uma ferramenta poderosa para aprimorar essas previsões. Este estudo analisou diversas pesquisas que utilizam IA para prever a radiação solar. As técnicas mais comuns incluem redes neurais, máquinas de vetores de suporte e aprendizado profundo. Essas técnicas são capazes de identificar padrões complexos nos dados e relacionar a radiação solar com fatores como temperatura, umidade e nebulosidade. Os modelos de IA são treinados com grandes conjuntos de dados meteorológicos e de radiação solar, o que lhes permite aprender a fazer previsões mais precisas. As métricas utilizadas para avaliar o desempenho desses modelos incluem o erro médio quadrático (RMSE), o coeficiente de determinação (R²) e o erro percentual absoluto médio (MAPE). A revisão demonstra que a IA tem um grande potencial para melhorar a previsão da radiação solar. As previsões mais precisas podem otimizar a produção de energia solar, melhorar a gestão da irrigação e auxiliar em diversos outros processos que dependem da radiação solar.