Combination of Slag, Limestone and Sedimentary Apatite in Columns for Phosphorus Removal from Sludge Fish Farm Effluents
Notice bibliographique
Résumé
Laboratory scale studies have repeatedly reported high P-retention in slag, a by-product of the steel manufacturing industry. Thus, it has emerged as a potential material to increase P-removal from constructed wetlands (CWs). However, several limitations were highlighted by field experiments, including the high pH of treated water and clogging. We hypothesized that the addition of sedimentary rocks to slag would preserve P-removal properties while reducing the pH of treated water. Four 2.5 L-columns were filled with 100% apatite (column A); a 50% weight each mixture of limestone with apatite (column B); 10% steel slag located at the inlet, plus 45% limestone mixed with 45% apatite (column C); and a mixture of steel slag (10%), limestone (45%) apatite (45%) (column D). A synthetic effluent (26 mg P/L) and a reconstituted sludge fish farm effluent containing 97 mg/L total suspended solids (TSS), 220 mg/L chemical oxygen demand (COD) and 23.5 mg P/L phosphorus (P) were applied sequentially during 373 and 176 days, under saturated flow conditions and 12–24 hours hydraulic residence time (HRT), respectively. Treatment performance, P-removal, pH and calcium (Ca2+) were monitored. Results indicated that columns that contained 10% weight steel slag resulted in a higher P retention capacity than the columns without steel slag. The highest P removal was achieved in column C, containing a layer of slag in the inlet zone, 45% apatite and 45% limestone. Feeding the columns with a reconstituted fish farm effluent led to biofilm development, but this had little effect on the P-removal. A combination of slag and sedimentary rocks represents a promising filtration material that could be useful downstream of CWs to further increase P-removal.
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 ».