MétaCan
Menu
Retour à la cohorte
Enregistrement W2136637305 · doi:10.1139/s02-006

Performance comparison and pretreatment evaluation of three water treatment membrane pilot plants treating low turbidity water

2002· article· en· W2136637305 sur OpenAlexafffundvenue
Khosrow Farahbakhsh, Daniel W. Smith

Notice bibliographique

RevueJournal of Environmental Engineering and Science · 2002
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesUniversity of British Columbia
Mots-clésMicrofiltrationMembraneMembrane foulingUltrafiltration (renal)TurbidityFoulingPowdered activated carbon treatmentWater treatmentCoagulationChromatographyChemistryPulp and paper industryChemical engineeringActivated carbonEnvironmental engineeringEnvironmental scienceAdsorptionBiochemistryOrganic chemistryBiologyEcology

Résumé

récupéré en direct d'OpenAlex

The performance of three different low-pressure water treatment membrane pilot plants was evaluated on a low-turbidity, low-colour water in British Columbia. All membrane units were hollow-fibre, hydrophilic membranes with nominal pore sizes of 0.01 to 0.2 µm. In addition to finished water quality, specific flux of each membrane was used to compare the performance of the three membrane units. The effect of feed pretreatment on the performance of the membranes and removal of disinfection byproduct (DBP) precursors was evaluated using chemical coagulation and powdered activated carbon (PAC) addition. Chemical coagulation proved to be very effective in removing DPB precursors and reducing the rate of membrane fouling. Powdered activated carbon addition, on the other hand, resulted in moderate removal of DBP precursors but increased the rate of membrane fouling. The nature and causes of membrane fouling as well as the impact of pretreatment methods on membrane fouling are discussed. Key words: ultrafiltration, microfiltration, coagulation, PAC, fouling, hollow fibre membranes, pretreatment, water treatment.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,206
Score d'incertitude au seuil0,438

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0000,000

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 Opus0,032
Tête enseignante GPT0,227
Écart entre enseignants0,195 · 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.

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

Citations24
Publié2002
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Environmental Engineering and ScienceMême sujetMembrane Separation TechnologiesTravaux en français237 207