Comparison of two online flocculation monitoring techniques for predicting turbidity removal by granular media filtration
Notice bibliographique
Résumé
Particulate matter removal in drinking water treatment via direct granular filtration requires specific flocculation conditions (a process typically termed 'high energy flocculation'). Predicting filtered water turbidity based on flocculated water characteristics remains difficult. This study has sought to establish a relationship between filtered water turbidity and the flocculated water characteristics. Flocculation oflow-turbidity raw water was evaluated online using a Photometric Dispersion Analyser (PDA) and a Dynamic Particle Analyser in a modified jar test followed by a bench-scale anthracite filter. Coagulants used were alum, PASS100 and ferric sulphate, in addition to a polydiallyldimethylammonium chloride (polyDADMAC) cationic polymer. They were dosed in warm and cold waters, and flocculated with intensities (G) from 0 to 100 s(-1). Of the two instruments selected to analyse flocculation performance, the Dynamic Particle Analyser was shown to be the most sensitive, detecting small changes in floc growth kinetics and even floc growth under low flocculation conditions which remained undetected by the PDA. Floc size was shown to be insufficient in predicting particulate matter removal by direct granular filtration as measured by turbidity, although a threshold d(v) value (50 microm) could be identified for the test conditions evaluated in this project, above which turbidity was systematically lower than 0.2 NTU.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».