MétaCan
Menu
Retour à la cohorte
Enregistrement W1640202636 · doi:10.7202/705384ar

Impact écotoxicologique du traitement chimique des eaux usées de tanneries: Analyse technico-économique

2005· article· fr· W1640202636 sur OpenAlexaff
A. Yatribi, A. Nejmeddine

Notice bibliographique

RevueRevue des sciences de l eau · 2005
Typearticle
Languefr
DomaineEnvironmental Science
ThématiqueChromium effects and bioremediation
Établissements canadiensFrancophone University Association
Organismes subventionnairesnon disponible
Mots-clésGynecologyMedicine

Résumé

récupéré en direct d'OpenAlex

La toxicité des eaux usées du tannage au chrome et d'épilage-pelanage, avant et après traitement, a été évaluée par test Daphnia pulex . Cette évaluation a été déterminée à partir des équations de corrélation linéaires. Les résultats obtenus montrent que le tannage au chrome et l'épilage-pelanage présentent une toxicité élevée avec des valeurs des CI50 24h respectives de 0,15 et 3,36. Cette toxicité élevée pourrait être expliquée par la charge de ces effluents en chrome, en sulfures et en matière organique. Après traitement par précipitation chimique, la CI50 24h a connu une importante augmentation. Elle est passée de 0,15 à 26,58 et de 3,36 à 11,1 respectivement pour le tannage au chrome et l'épilage-pelanage. Par conséquent, ces effluents traités peuvent être classés comme rejets peu toxiques. Cette diminution de la toxicité est liée surtout à l'abattement des MES (95 %), de la DCO (55 %), de Cr (90 %) et des sulfures (50 %). Ce traitement a donc, un double intérêt; le premier est environnemental, le second est économique du fait de la possibilité de recyclage du chrome récupéré dans le tannage du cuir. En effet, l'application expérimentale du chrome dans le tannage a montré un résultat similaire à celui obtenu par le produit commercial. Ainsi, suite à une analyse technico-économique, le bénéfice réalisé par cette opération est estimé à 3112,50 $ par 1000 tonnes par an.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,304
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,005
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,052
Tête enseignante GPT0,308
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRevue des sciences de l eauMême sujetChromium effects and bioremediationTravaux en français237 207