MétaCan
Menu
Retour à la cohorte
Enregistrement W2141986876 · doi:10.1139/s08-038

Protein fouling of ultrafiltration membranes — investigation of several factors relevant for tertiary wastewater treatment

2008· article· en· W2141986876 sur OpenAlexafffundvenue
Jens Haberkamp, Mathias Ernst, Gladys Makdissy, Peter M. Huck, Martin Jekel

Notice bibliographique

RevueJournal of Environmental Engineering and Science · 2008
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaTechnische Universität BerlinUniversity of WaterlooTechnische Universiteit Eindhoven
Mots-clésFoulingMembraneMembrane foulingUltrafiltration (renal)Isoelectric pointMicrofiltrationChemical engineeringZeta potentialChromatographyNanofiltrationChemistryBiofoulingMaterials scienceOrganic chemistryBiochemistry

Résumé

récupéré en direct d'OpenAlex

The fouling of two different ultrafiltration membranes by solutions of three globular proteins with different molecular weights and isoelectric points was investigated at low concentrations relevant to secondary effluents (10 mg·L –1 ). The results reveal the increased fouling potential of macromolecules being small enough to enter the membrane pores due to the resulting blockage and (or) constriction of the pores, compared to a moderate increase of the filtration resistance due to gel layer formation by larger compounds. Differences between the applied membranes in terms of fouling behaviour, protein retention, as well as attachment of macromolecules to membrane surface and pore walls demonstrate the impact of pore size distribution, zeta potential, surface roughness, and hydrophobicity of the membranes on the fouling mechanism. Comparative ultrafiltration experiments using two different pumps indicate the influence of type and dimensioning of the pumping system on membrane fouling due to structural changes of solutes by pump-induced shear forces.

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)0,000
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 enseignants0,059
Score d'incertitude au seuil0,286

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0000,000
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 Opus0,013
Tête enseignante GPT0,197
Écart entre enseignants0,184 · 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

Citations29
Publié2008
Routes d'admission3
Résumé présentoui

Explorer davantage

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