MétaCan
Menu
Retour à la cohorte
Enregistrement W2314890848 · doi:10.2166/ws.2011.038

Use of chitosan in coagulation flocculation of raw water of Keddara and Beni Amrane dams

2011· article· en· W2314890848 sur OpenAlexaff
Hassiba Zemmouri, Slimane Kadouche, H. Lounici, Madjid Hadioui, N. Mameri

Notice bibliographique

RevueWater Science & Technology Water Supply · 2011
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Quality and Pollution Assessment
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésTurbidityChitosanFlocculationCoagulationRaw waterWater treatmentAluminium sulfateAlumPulp and paper industryBentoniteChemistryWater qualitySulfateEnvironmental scienceEnvironmental engineeringGeologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

The effectiveness of chitosan as a coagulant flocculant in surface water treatment has been studied. Tests were carried out in laboratory on treated and raw water. The treated water was mixed with high and low concentrations of bentonite to simulate turbid water. This treated water provides from water treatment plant of Algiers (Boudouaou site) which is supplied by both dams of Keddara and Beni Amrane. The raw water comes directly from these two dams. Chitosan with 85% degree of deacetylation and derived from crab chitin has been used. The performance of coagulation flocculation process has been assessed by measuring the supernatant turbidity for different doses of chitosan, initial turbidity, water quality and pH. The obtained results show that chitosan can be used in a large pH range. Chitosan is effective for coagulation of bentonite suspension and for raw water with high initial turbidity. Otherwise, chitosan is inefficient for raw water with very low initial turbidity. In this case, the use of chitosan as aid coagulant with aluminium sulfate (main coagulant) allows more effectiveness in removing turbidity.

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 enseignants0,005
Score d'incertitude au seuil0,010

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)0,0010,000

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 Opus0,034
Tête enseignante GPT0,249
Écart entre enseignants0,216 · 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

Citations21
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Science & Technology Water SupplyMême sujetWater Quality and Pollution AssessmentTravaux en français237 207