MétaCan
Menu
Retour à la cohorte
Enregistrement W2051228393 · doi:10.1080/07349340590927413a

ULTRAFINE COAL CLEANING USING SELECTIVE HYDROPHOBIC COAGULATION

2005· article· en· W2051228393 sur OpenAlexaboutno aff
Rick Honaker, Roe‐Hoan Yoon, G.H. Luttrell

Notice bibliographique

RevueCoal Preparation · 2005
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMinerals Flotation and Separation Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCoagulationCoalChemistryWaste managementFood sciencePulp and paper industryChemical engineeringEnvironmental chemistryOrganic chemistryEngineeringMedicine

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Studies have shown that ultrafine hydrophobic materials such as coal and graphite can be selectively coagulated and separated from hydrophilic impurities without using oily agglomerants, flocculants, or electrolytes. This process, which is referred to as Selective Hydrophobic Coagulation (SHC), has been used in laboratory tests to significantly reduce the ash and sulfur contents of several ultrafine, run-of-mine coal samples. The selective coagulation occurs at ζ-potentials significantly higher than those predicted by the classical DLVO theory due to the presence of an attractive interaction energy between hydrophobic particles such as coal. To account for this additional attraction, the interaction energies for the coal-mineral system have been calculated using an extended DLVO theory that incorporates the hydrophobic interaction energy in addition to the traditional dispersion and the electrostatic energies. The results of these theoretical calculations correlate well with separation response obtained using the SHC process. Keywords: Ultrafine coal cleaningSelective coagulationHydrophobic interactionDLVO theory Acknowledgments The authors acknowledge the financial support of the U.S. Department of Energy (Contract No. DE-AC22–90PC90174) and technical discussions with Dr. Z. Xu of the University of Alberta.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,441
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,021
Tête enseignante GPT0,299
Écart entre enseignants0,278 · 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'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

Citations24
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCoal PreparationMême sujetMinerals Flotation and Separation TechniquesTravaux en français237 207