MétaCan
Menu
Retour à la cohorte
Enregistrement W2063670874 · doi:10.1139/s03-050

Enhancing struvite crystallization from anaerobic supernatant

2004· article· en· W2063670874 sur OpenAlexvenueno aff
Qingzhong Wu, Paul L. Bishop

Notice bibliographique

RevueJournal of Environmental Engineering and Science · 2004
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePhosphorus and nutrient management
Établissements canadiensnon disponible
Organismes subventionnairesOhio Coal Development Office
Mots-clésStruviteCrystallizationPrecipitationPulp and paper industryWastewaterAnaerobic digestionAerationSewage treatmentFertilizerChemistrySeedingEnvironmental scienceEnvironmental engineeringAgronomy

Résumé

récupéré en direct d'OpenAlex

Nutrient recovery in the form of struvite from anaerobic supernatant will not only eliminate the operation and maintenance nuisance caused by struvite formation, but can also generate a valuable agricultural fertilizer. However, the struvite crystallization process is generally slow. In this research, different Mg2+ supplement chemicals — Mg(OH)2 and MgCl2 — and different seeding materials — sand and struvite — were tested in an effort to speed up the struvite precipitation/crystallization process. The research results showed that (1) both seeding materials were instrumental in enhancing the reaction rate, with struvite being better than sand; (2) the more surface area provided by the seeding material, the faster the precipitation is; (3) both Mg(OH)2 and MgCl2 were beneficial in speeding up the precipitation process, but MgCl2 was more effective than Mg(OH)2; (4) compared with simple aeration to remove CO2, pre-acidification helped speed up the precipitation and could lower the final phosphate level; and (5) if Mg(OH)2 is to be used, pre-acidification can be eliminated but the Mg(OH)2 needs to be mixed with the wastewater at an earlier stage in the treatment process.Key words: struvite, crystallization, anaerobic supernatant, centrate, filtrate, sludge dewatering.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
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 Opus0,003
Tête enseignante GPT0,164
Écart entre enseignants0,161 · 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'étudeExpérimental (laboratoire)
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

Citations60
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Environmental Engineering and ScienceMême sujetPhosphorus and nutrient managementTravaux en français237 207