MétaCan
Menu
Retour à la cohorte
Enregistrement W2292475709 · doi:10.2175/106143012x13407275694671

Characterization of Sulfur in Raw and Anaerobically Digested Municipal Wastewater Treatment Sludges

2012· article· en· W2292475709 sur OpenAlexafffund
Weiwei Du, Wayne J. Parker

Notice bibliographique

RevueWater Environment Research · 2012
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueOdor and Emission Control Technologies
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésSulfurChemistryAnaerobic digestionFractionationSewage sludgeMicrowave digestionSewage treatmentRaw materialEnvironmental chemistryFraction (chemistry)ChromatographyWaste managementMethaneOrganic chemistryDetection limit

Résumé

récupéré en direct d'OpenAlex

A microwave-enhanced acid digestion method that was integrated with inductively coupled plasma-atomic emission spectrometry was developed and validated for determining total, soluble, and precipitated sulfur in wastewater treatment sludges. The coefficient of variation of this method was less than 4.0%. The recovery of dosed sulfur from sludge samples was between 97.1% and 100.5%. The composition of sulfur in primary and waste-activated sludge (WAS) before and after anaerobic digestion at 35 and 55 degrees C was characterized by employing this developed method. There was not an apparent relationship between the precipitated sulfur and nonsoluble iron concentrations in sludges. Raw WAS had a more consistent organic sulfur fractionation because of its relatively homogeneous composition. The organic-sulfur-containing components (proteins) of WAS had reduced degradability as compared with that in primary sludge during anaerobic digestion. Digestion at 55 degrees C increased solubilization but not ultimate conversion of organic sulfur in sludge.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
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 Opus0,044
Tête enseignante GPT0,283
Écart entre enseignants0,239 · 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 source (Gemma direct ou Codex distillé), 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

Citations26
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Environment ResearchMême sujetOdor and Emission Control TechnologiesTravaux en français237 207