MétaCan
Menu
Retour à la cohorte
Enregistrement W1995669475 · doi:10.2166/wst.2008.011

Beneficial reuse of precast concrete industry sludge to produce alkaline stabilized biosolids

2008· article· en· W1995669475 sur OpenAlexaffabout
Chitra. Gowda, Rajesh Seth, Nihar Biswas

Notice bibliographique

RevueWater Science & Technology · 2008
Typearticle
Langueen
DomaineEngineering
ThématiqueRecycling and utilization of industrial and municipal waste in materials production
Établissements canadiensUniversity of WindsorToronto and Region Conservation Authority
Organismes subventionnairesnon disponible
Mots-clésBiosolidsLimeSewage sludgeWaste managementEnvironmental sciencePrecast concreteFertilizerPulp and paper industrySewageEnvironmental engineeringChemistryMaterials scienceEngineeringMetallurgy

Résumé

récupéré en direct d'OpenAlex

The precast concrete industry generates waste called concrete sludge during routine mixer tank washing. It is highly alkaline and hazardous, and typically disposed of by landfilling. This study examined the stabilization of municipal sewage sludge using concrete sludge as an alkaline agent. Sewage sludge was amended with 10 to 40% of concrete sludge by wet weight, and 10 and 20% of lime by dry weight of the sludge mix. Mixes containing 30 and 40% of concrete sludge with 20% lime fulfilled the primary requirements of Category 1 and 2 (Canada) biosolids of maintaining a pH of 12 for at least 72 hours. The heavy metals were below Category 1 regulatory limits. The 40% concrete sludge mix was incubated at 52 degrees C for 12 of the 72 hours to achieve the Category 1 and 2 regulations of less than 1000 fecal coliform/g solids. The nutrient content of the biosolids was 8.2, 10 and 0.6 g/kg of nitrogen, phosphorus and potassium respectively. It can be used as a top soil or augmented with potassium for use as fertilizer. The study demonstrates that concrete sludge waste can be beneficially reused to produce biosolids, providing a long-term sustainable waste management solution for the concrete industry.

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 enseignants0,012
Score d'incertitude au seuil0,444

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,028
Tête enseignante GPT0,253
Écart entre enseignants0,225 · 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

Citations6
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Science & TechnologyMême sujetRecycling and utilization of industrial and municipal waste in materials productionTravaux en français237 207