MétaCan
Menu
Retour à la cohorte
Enregistrement W1974154746 · doi:10.1021/ie901194r

Mercury Removal from Aqueous Solution Using Coke-Derived Sulfur-Impregnated Activated Carbons

2010· article· en· W1974154746 sur OpenAlexaff
Jenny H. Cai, Charles Q. Jia

Notice bibliographique

RevueIndustrial & Engineering Chemistry Research · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMercury impact and mitigation studies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésAdsorptionSulfurMercury (programming language)ChemistryAqueous solutionThiopheneCokeActivated carbonInorganic chemistryNuclear chemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Sulfur-impregnated activated carbons (SIACs) produced from oil-sands fluid coke by KOH−SO 2 activation were applied to remove mercury ions from aqueous solutions. A pseudo-first-order rate expression can describe the Hg 2+ adsorption behavior of SIACs produced in this study. The rate constants were found to be 0.01−0.102 min −1 . The Hg 2+ adsorption capacities of the examined SIACs ranged from 43 to 72 mg/g, which were comparable to those reported in the literature (35−100 mg/g) and that of a commercial SIAC (41 mg/g). The adsorption capacity increased with increasing specific surface area ( S BET ) of the SIACs, and a positive correlation was found between the S BET -normalized adsorption capacity and the total sulfur content of the SIACs. Elemental sulfur, disulfide, and thiophene seemed particularly effective in Hg 2+ adsorption, as SIACs with these sulfur compounds showed higher adsorption capacities in general.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,009
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
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 Opus0,090
Tête enseignante GPT0,326
Écart entre enseignants0,235 · 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'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

Citations54
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIndustrial & Engineering Chemistry ResearchMême sujetMercury impact and mitigation studiesTravaux en français237 207