MétaCan
Menu
Retour à la cohorte
Enregistrement W2275957728 · doi:10.2166/wqrjc.2015.143

Effect of pH level and acid type on total ammoniacal nitrogen (TAN) retention and fouling of reverse osmosis membranes processing swine wastewater

2015· article· en· W2275957728 sur OpenAlexaffabout
L. Masse, Martin Mondor, J. Dubreuil

Notice bibliographique

RevueWater Quality Research Journal · 2015
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésReverse osmosisChemistryWastewaterFoulingMembrane foulingMembranePermeationChromatographyAmmoniacal nitrogenPulp and paper industryChemical oxygen demandNitrogenEnvironmental engineeringEnvironmental scienceBiochemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Wastewaters fed to reverse osmosis (RO) membranes sometimes need to be acidified to prevent inorganic fouling and increase total ammoniacal nitrogen (TAN) retention. In this project, the effect of pH level (6.5–7.1) and acid type (HCl vs. H2SO4) on membrane fouling and cleaning as well as permeate flux and quality during the processing of swine wastewater with a spiral-wound RO membrane was investigated. The use of H2SO4 to lower pH produced slightly higher permeate fluxes than HCl and there was no indication of sulfate precipitates on the membrane. Membrane fouling intensity and flux recovery upon cleaning were not affected by pH level or acid type. Lowering swine wastewater pH from 7.1 to 6.5 with HCl reduced TAN concentration in permeate from 142 to 59 mg/L. Using H2SO4 to lower pH to 6.5 further decreased TAN concentration to 39 mg/L. At pH 6.5 with both acid types, the concentration of unionized NH3 in the permeate was below the Canadian guideline of 0.019 mg/L for the release of wastewater to an aquatic environment. The use of H2SO4 would be recommended with swine wastewater, because of lower cost and volumetric input required to lower pH, as well as higher permeate quality and flux.

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)0,007
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 enseignants0,026
Score d'incertitude au seuil0,293

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
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 Opus0,167
Tête enseignante GPT0,393
Écart entre enseignants0,226 · 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

Citations5
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Quality Research JournalMême sujetMembrane Separation TechnologiesTravaux en français237 207