Non‐destructive monitoring of nitrate concentration in a laboratory flow experiment using time domain reflectometry (TDR)
Notice bibliographique
Résumé
Nitrates, when found in excess in the groundwater, are a health hazard. Nitrates can easily be transported by groundwater movement and may eventually reach aquifers located far away from the contamination location. Recent research has focused on developing innovative techniques to remediate nitrate-contaminated soils. It is important to monitor the nitrate movement in the groundwater to predict the extent of nitrate contamination. Traditionally, nitrate movement is monitored by sampling soil pore water and analysing it in the laboratory. In this study a non-destructive method, using time domain reflectometry (TDR) to monitor nitrate movement in laboratory flow experiments, is presented. Three flow cells (replicates) packed with a silty loam soil were subjected to a constant hydraulic gradient inducing saturated water flow through the flow cells. A source of potassium nitrate solution, containing 500 ppm NO3-N, was connected at the inflow end, and the nitrate concentration change with time was monitored along the length of the flow cells by sampling the soil solution and analysing it in the laboratory for NO3-N concentration. At the time of sampling, TDR wave forms were recorded using the TDR mini-probes inserted at regular intervals along the length of the flow cells. The bulk soil electrical conductivity and the water content values extracted from the TDR wave forms were used to predict the nitrate concentrations at different locations. The nitrate concentration values predicted from the TDR-measured bulk electrical conductivity and water content data correlated well with the nitrate concentrations obtained by soil solution sampling method.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».