Removal of sulphates acidity and iron from acid mine drainage in a bench scale biochemical treatment system
Notice bibliographique
Résumé
The focus of this study was to develop a simple biochemical system to treat acid mine drainage for its safe disposal. Recovery and reuse of the metals removed were not considered. A three-step process for the treatment of acid mine drainage (AMD), proposed earlier, separates sulphate reducing activity from metal precipitation units and from a pH control system. Following our earlier work on the first step (biological reactor), this paper examines the second step (i.e. chemical reactor). The objectives of this study were: (1) to determine the increase in pH and the reduction of iron in the chemical reactor for different proportions of simulated AMD, and (2) to assess the capability of the chemical reactor. A series of experiments was conducted to study the effects of addition of alkaline sulphidogenic liquor (ASL) derived from a batch sulphidogenic biological reactor (operating with activated sludge and a COD/SO4 ratio of 1.6) on the simulated AMD characteristics. At 60-minute contact time, addition of 30% ASL (pH of 7.60-7.76) to the chemical reactor with 70% AMD (pH of 1.65-2.02), increased the pH of the AMD to 6.57 and alkalinity from 0 to 485 mg l(-1) as CaCO3, respectively and precipitated about 97% of the iron present in the simulated AMD. Others have demonstrated that metals in mine drainage can be precipitated by bacterial sulphate reduction. In this study, iron, a common and major component of mine drainage was used as a surrogate for metals in general. The results indicate the feasibility of treating AMD by an engineered sulphidogenic anaerobic reactor followed by a chemical reactor and that our three-step biochemical process has important advantages over other conventional AMD treatment systems.
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 ».