Bench-scale evaluation of ferrous iron oxidation kinetics in drinking water: Effect of corrosion control and dissolved organic matter
Notice bibliographique
Résumé
Corrosion control strategies are important for many utilities in maintaining water quality from the water treatment plant to the customers' tap. In drinking water with low alkalinity, water quality can become significantly degraded in iron-based pipes if water utilities are not diligent in maintaining proper corrosion control. This article reports on experiments conducted in bicarbonate buffered (5 mg-C/L) synthetic water to determine the effects of corrosion control (pH and phosphate) and dissolved organic matter (DOM) on the rate constants of the Fe(II) oxidation process. A factorial design approach elucidated that pH (P = 0.007, contribution: 42.5%) and phosphate (P = 0.025, contribution: 22.7%) were the statistically significant factors in the Fe(II) oxidation process at a 95% confidence level. The comprehensive study revealed a significant dependency relationship between the Fe(II) oxidation rate constants (k) and phosphate-to- Fe(II) mole ratio. At pH 6.5, the optimum mole ratio was found to be 0.3 to reduce the k values. Conversely, the k values were observed to increase for the phosphate-to- Fe(II) mole ratio > 1. The factorial design approach revealed that chlorine and DOM for the designated dosages did not cause a statistically significant (α = 0.05, P > 0.05)change in rate constants. However, an increment of the chlorine to ferrous iron mole ratio by a factor of ∼ 2.5 resulted in an increase k values by a factor of ∼ 10. This study conclusively demonstrated that the lowest Fe(II) oxidation rate constant was obtained under low pH conditions (pH ≤ 6.5), with chlorine doses less than 2.2 mg/L and with a phosphate-to-Fe(II) mole ratio ≈ 0.3 in the iron water 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 | 0,002 | 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 | 0,001 |
| 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 ».