MétaCan
Menu
Retour à la cohorte
Enregistrement W1972475560 · doi:10.1088/1757-899x/42/1/012018

Effect of ultrasonic pre-treatment of thermomechanical pulp on hydrogen peroxide bleaching

2012· article· en· W1972475560 sur OpenAlexafffund
Éric Loranger, Alasdair Charles, Claude Daneault

Notice bibliographique

RevueIOP Conference Series Materials Science and Engineering · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueLignin and Wood Chemistry
Établissements canadiensUniversité du Québec à Trois-Rivières
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésHydrogen peroxideUltrasonic sensorBrightnessChemistryPulp (tooth)Xylenol orangeUltrasoundPeroxideMaterials scienceNuclear chemistryOrganic chemistryOpticsDentistry

Résumé

récupéré en direct d'OpenAlex

Ultrasound pre-treatments of softwood TMP had been carried to evaluate its impact on the efficiency of hydrogen peroxide bleaching. The trials were performed after a factorial design of experiment using frequency, power and time as variables. The experiments were conducted in an ultrasonic bath and then bleached with hydrogen peroxide. Measurements such as brightness, L*A*B* color system coordinate, residual hydrogen peroxide and metal content were evaluated on bleached pulp. The results indicate that the effect of ultrasonic treatment on brightness was dependent on the ultrasound frequency used; the brightness increased slightly at 68 kHz and decreased at 40 and 170 kHz. These results were correlated to the ultrasound effect on the generation of transition metals (copper, iron and manganese) which are responsible for catalytic decomposition of hydrogen peroxide. The influence of metal interference was minimized by using a chelating agent such as diethylene triamine pentaacetic acid (DTPA). With the results obtained in this study we have identified a set of option conditions, e.g. 1000 W, 40 kHz, 1.5 % consistency and 0.2% addition of DTPA prior to the bleaching stage (after ultrasonic pre-treatment) who improve brightness by 2.5 %ISO.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,619

Scores Codex et Gemma par catégorie

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

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 Opus0,008
Tête enseignante GPT0,215
Écart entre enseignants0,207 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations0
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIOP Conference Series Materials Science and EngineeringMême sujetLignin and Wood ChemistryTravaux en français237 207