MétaCan
Menu
Retour à la cohorte
Enregistrement W2014976644 · doi:10.1021/ef901255k

Modeling the Effect of Sonication on the Anaerobic Digestion of Biosolids

2010· article· en· W2014976644 sur OpenAlexfundno aff
Saad Aldin, Elsayed Elbeshbishy, George Nakhla, Madhumita B. Ray

Notice bibliographique

RevueEnergy & Fuels · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésSonicationChemical oxygen demandAnaerobic digestionChemistryActivated sludgeBiosolidsPulp and paper industryLysisAnaerobic exerciseWastewaterSewage treatmentChromatographyMethaneEnvironmental scienceBiochemistryEnvironmental engineeringBiologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Ultrasound treatment of wastewater sludge prior to anaerobic digestion disrupts the flocs and causes lysis of the bacterial cells, releasing both inter- and intracellular materials. Primary and waste-activated sludge (WAS) were treated with different ultrasonic intensities, varying sonication time and amplitude at a constant frequency. Results showed that the gas production, volatile fatty acids, ratio of soluble chemical oxygen demand to total chemical oxygen demand, and soluble protein increased, while the particulate protein and particle size of the sludge decreased, with sonication time. An empirical model was developed to determine the economic viability of ultrasound based on electrical energy input and energy obtained from enhanced methane production. It has been found that ultrasonic pretreatment is only economically viable for primary sludge at low sonication doses. The Anaerobic Digestion Model No. 1 (ADM1) was applied to the batch anaerobic digestion for sonicated and non-sonicated sludge. In almost all cases, the model successfully simulated the experimental trends.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,050

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0020,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,009
Tête enseignante GPT0,230
Écart entre enseignants0,220 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations23
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetMembrane Separation TechnologiesTravaux en français237 207