The efficiency of various chemical solutions to clean reverse osmosis membranes processing swine wastewater
Notice bibliographique
Résumé
The increasing use of membrane technology to treat highly charged wastewaters has renewed interest in the development of adequate cleaning strategies. This study investigated the efficiency of various chemicals, including acids, bases, surfactants, chelators, salts, enzymes, and oxidants, to clean two reverse osmosis membranes (BW30 and SW30XLE) filtering one swine wastewater pretreated by aerobic biofiltration and two swine wastewaters pretreated by mechanical solid–liquid separation. Mixes of anionic surfactants and chelators provided optimal cleaning efficiency for all fouled membranes and all effluents. A solution containing 10 mM EDTA (ethylenediamine tetraacetic acid) and 10 mM SDS (sodium dodecyl sulfate) yielded the highest flux recovery after one 20-h fouling cycle with the BW30 membrane and three consecutive fouling–cleaning cycles with the SW30XLE membrane. The EDTA + SDS solution also resulted in the lowest residual protein concentration on membrane surface and the optimal restoration of the initial contact angle of the membranes. Conversely, 75 mM acid citric and 100 mM NaCl solutions were the least efficient to clean the fouled membranes. Most chemical solutions were more efficient to clean the fouling layer generated by the swine wastewater pretreated by aerobic biofiltration than mechanical separation.
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 | 0,011 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».