MétaCan
Menu
Retour à la cohorte
Enregistrement W1976884662 · doi:10.1021/ie0716464

Industrial Coke as an Electrode Material for Environmental Remediation

2008· article· en· W1976884662 sur OpenAlexafffund
Jamie Haner, Keegan Rankin, Dorin Bejan, Nigel J. Bunce

Notice bibliographique

RevueIndustrial & Engineering Chemistry Research · 2008
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAdvanced oxidation water treatment
Établissements canadiensUniversity of Guelph
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCokePacked bedAnodeEnvironmental remediationBatch reactorElectrolyteChemical engineeringAqueous solutionMineralization (soil science)ChemistryElectrodeZerovalent ironMaterials scienceContaminationMetallurgyAdsorptionCatalysisChromatographyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Industrial coke was evaluated as a low-cost electrode material for environmental remediation, using the dye Orange II as an example substrate. Coke was used as massive pieces in batch cells or in the ground form for use in a packed-bed reactor. The loss of Orange II was faster when the supporting electrolyte contained chloride ion, and under these conditions the reaction involved hypochlorination. In the batch reactor, the current efficiency for mineralization was only modest (4−14%). In the packed-bed reactor, the loss of both starting material and intermediates was fastest at high current and low flow rate, and a near-quantitative current efficiency was achieved. The high current efficiency was explained by the greater surface area of the electrodes in the packed-bed reactor compared with the batch reactor, and better contact between the solution to be remediated and the coke particles. A drawback to the use of coke electrodes for the remediation of aqueous wastes is their tendency to increase the total organic carbon content of an aqueous solution, especially under anodic polarization.

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)0,000
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 enseignants0,037
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 recherche0,0000,001
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 Opus0,078
Tête enseignante GPT0,307
Écart entre enseignants0,230 · 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

Citations8
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIndustrial & Engineering Chemistry ResearchMême sujetAdvanced oxidation water treatmentTravaux en français237 207