Counter-Current Metal Leaching and Precipitation for Soil Remediation
Notice bibliographique
Résumé
Chemical acid leaching is an effective technique for extracting toxic metals from the finest fractions of polluted soils. Nevertheless, the use of large quantities of reagents and process water results in prohibitive operating costs. The purpose of this study was to evaluate the technical and economic advantages of recirculating water in a counter-current leaching process (CCLP). Five 1-h sulfuric acid extraction steps (at pH = 1.5) followed by three 5-min water-washing steps were applied to the fine particle fraction (<0.125 mm) of an industrial soil polluted by Cd (13.2 mg·kg−1), Cu (3 100 mg·kg−1), Mn (685 mg kg−1), Pb (550 mg·kg−1), and Zn (2 840 mg·kg−1). The leaching experiments were carried out at ambient temperature using a 10% soil suspension and in 1-L working volume stirred tank reactors. This paper presents results of conventional and counter-current leaching process (CCLP) tests and shows that the CCLP yields removal results for Cu (85%), Zn (86%), Mn (75%), and Cd (90%) that are similar to those obtained using the conventional leaching process. Moreover, the CCLP uses half of the quantity of acid and one-eighth of the amount of water that the conventional process uses. Metal precipitation with NaOH and Ca(OH)2 was applied to treat the acidic leachates, and good metal removal yields were achieved with both reagents. However, the large consumption of chemicals implies high operating costs. In addition, the precipitation causes considerable sludge production, particularly when using Ca(OH)2. Overall, the CCLP coupled to metal precipitation using NaOH and water recycling appears to be the most attractive option for the removal of toxic metals from this industrial soil.
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 | 0,001 | 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 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».