MétaCan
Menu
Retour à la cohorte
Enregistrement W2244219560 · doi:10.4028/www.scientific.net/amr.1130.89

The Production of Soluble Ferric Sulfate via Biological and Chemical Processing of Iron Sulfides

2015· article· en· W2244219560 sur OpenAlexaff
David Dreisinger, Amanda Dreisinger, Caleb Dreisinger

Notice bibliographique

RevueAdvanced materials research · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueMetal Extraction and Bioleaching
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésPyriteFerricSulfateLeaching (pedology)ChemistryInorganic chemistrySulfideArsenicSulfide mineralsReagentEnvironmental chemistryMineralogyGeologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Ferric sulfate is a very useful reagent for mineral leaching and metal recovery. Ferric sulfate may be used as an oxidative leaching agent for uranium, zinc, copper, nickel and other ores. Ferric ion is a modestly strong oxidant. Similarly, the use of ferric co-precipitation to stabilize arsenic, selenium and other species is in wide use. The demand for ferric sulfate for this application is increasing. Pyrite and pyrrhotite represent minerals that are widely available as sources of soluble iron to provide ferric sulfate for leaching and for iron co-precipitation. The use of biological processes for oxidation of pyrite is well established. However, the common goal is to use biological oxidation to liberate a valuable material (eg. Gold locked in arsenopyrite or pyrite). Much less attention has been paid to production of soluble iron for leaching of other minerals or for use as a precipitant. The use of chemical processes such as atmospheric and pressure oxidation may also be used to generate ferric sulfate from iron sulfide minerals. In this paper the use of biological and chemical processing for production of ferric sulfate will be reviewed and discussed.

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)0,001
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 enseignants0,027
Score d'incertitude au seuil0,162

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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 Opus0,093
Tête enseignante GPT0,355
Écart entre enseignants0,262 · 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

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced materials researchMême sujetMetal Extraction and BioleachingTravaux en français237 207