Membrane filtration for cold regions – impact of cold water on membrane integrity monitoring tests
Notice bibliographique
Résumé
Low-pressure water treatment membranes, microfiltration (MF) and ultrafiltration (UF) have enjoyed unprecedented growth during the past decade. These systems are particularly suited for cold region communities because of their operational simplicity, small footprint, and consistent performance despite the fluctuations in raw water characteristics. Effective operation of MF and UF membrane systems in cold regions, however, must account for the impact of low water temperatures on membrane operation. Of particular interest is the impact of cold water on direct membrane integrity monitoring tests. Most regulatory bodies require that regular integrity monitoring tests be performed for low-pressure membranes to ensure the integrity of the membrane systems. Currently, the most widely-used integrity monitoring test is the pressure decay test. Our studies, however, indicated that the pressure-based direct integrity monitoring tests are affected by variations in water temperature, especially in the range of 0 to 5 °C. The considerable drop in diffusive air flow rates and consequent decrease in pressure decay rate for an intact membrane as water temperatures approach 0 may mask the impact of a defect and should be accounted for. It is suggested that the criteria for membrane integrity tests in cold regions shift downward to account for the effect of temperature. This paper presents the results obtained from studies on the effect of water temperature on the pressure-based direct integrity monitoring tests. Key words: membrane integrity monitoring, pressure decay test, diffusive air flow test, low-pressure membranes, microfiltration, ultrafiltration, water treatment, pathogen removal.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».