Phosphorus Removal from Lake Water by Combined Dosage of Ferrous Iron and Diatomite
Notice bibliographique
Résumé
Effective technology and approaches for reducing phosphorus concentration in the lake water are essential to control cyanobacterial bloom and lake eutrophication. This study investigated the effectiveness of the combined usage of ferrous iron (FeCl2) and diatomite for the phosphorus removal. Several combinations of FeCl2 and diatomite in various ratios were tested. Higher amounts of phosphorus were removed from water by the combined usage of FeCl2 and diatomite than that by FeCl2 alone. The optimum diatomite to FeCl2 ratio resulting in the highest efficiency was 0.8. Alkalinity and pH of lake water treated with the combined usage of FeCl2 and diatomite decreased less than that treated by FeCl2. The higher P removal efficiency achieved by the combined usage of FeCl2 and diatomite can be explained as that dissolved silica provided by diatomite was incorporated into the crystalline structure of iron oxide during the ferrous oxidation and thus silica-stabilized ferrihydrite was formed. Silica-stabilized ferrihydrite was an effective phosphorus adsorbent and long-term phosphorus sink. However, ferric oxide formed without dissolved silica was transformed into more crystalline ferric oxide and then phosphorus would be released back to the lake water during this transformation. Diatom growth was stimulated by the increased dissolved Fe and dissolved Si which was provided by diatomite. The stimulated diatom growth can further uptake phosphorus following the phosphorus adsorption by the silicate stabilized ferrihydrite. It was concluded that the combined usage of FeCl2 and diatomite is an effective approach for improving the chemical precipitation of phosphorus by FeCl2.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».