MétaCan
Menu
Retour à la cohorte
Enregistrement W2467587617 · doi:10.21660/2016.23.1186

CONVERSION OF SLUDGE FROM A WASTEWATER TREATMENT PLANT TO A FERTILIZER

2016· article· en· W2467587617 sur OpenAlexaboutno aff
Catherine N. Mulligan

Notice bibliographique

RevueInternational Journal of Geomate · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePhosphorus and nutrient management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFertilizerSewage treatmentEnvironmental scienceWastewaterWaste managementSewage sludge treatmentPulp and paper industryAgronomyEnvironmental engineeringEngineeringBiology

Résumé

récupéré en direct d'OpenAlex

Preventing wastage of resources is an important priority for sustainability. Sludge from a wastewater treatment plant (WWTP) is such a resource that it often wasted. It is a source of nutrients and organic materials that can be used as a fertilizer. At a waste water treatment plant in Montreal, the sludge is currently incinerated and sent for disposal. Alternatives to the practice are thus desirable. Elevated concentrations of cadmium, copper, cobalt and selenium are found in the sludge and therefore a treatment process is required before use as a fertilizer according to the Province of Quebec regulations. Leaching was selected as there is potential for heavy metal removal. However, nutrient loss must be minimized to preserve its use as a fertilizer. To meet these goals, a new leaching agent (K2HPO4) was proposed, and investigated for heavy metal removal efficiency on the sludge. A correlation of heavy metal removal and preserved nutrient concentration with time and pH was found. Removal efficiencies of cadmium, copper, cobalt and selenium of 80%, 44%, 70% and 93%, respectively were determined. In addition, concentrations of nitrogen, phosphorus and potassium of 17%, 17% and 25%, respectively, resulted in the treated sludge. In conclusion, the use of dipotassium phosphate is an effective leaching method to remove heavy metals and simultaneously increase the primary macro nutrients at an acceptable cost.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,010
Tête enseignante GPT0,223
Écart entre enseignants0,213 · 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'étudeObservationnel
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

Citations3
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of GeomateMême sujetPhosphorus and nutrient managementTravaux en français237 207