MétaCan
Menu
Retour à la cohorte
Enregistrement W2510658102 · doi:10.2175/106143016x14609975746640

Flocculent Settling of Food Wastes

2016· article· en· W2510658102 sur OpenAlexaff
Mohammad Monirul Islam Chowdhury, Mingu Kim, Basem Haroun, George Nakhla, Michael Keleman

Notice bibliographique

RevueWater Environment Research · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWastewater Treatment and Reuse
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésSettlingParticulatesWastewaterChemistryNitrogenSettling timeEnvironmental engineeringEnvironmental sciencePulp and paper industryEnvironmental chemistryWaste management

Résumé

récupéré en direct d'OpenAlex

This study evaluated the flocculent settling in water and municipal wastewater (MWW) in a 10.6 ft deep column. A total of eight runs at three different testing conditions involving MWW alone, food waste (FW) alone, and FW in MWW (FW+MWW) were conducted. Total suspended solid (TSS), total BOD (TBOD), total COD (TCOD), total nitrogen (TN), and total phosphorous (TP) removal efficiencies after 3 hours of settling were 62%, 46%, 49%, 46% and 62% for FW, and 50%, 43%, 39%, 37% and 24% for MWW. Removal efficiencies of particulate COD (PCOD) and particulate BOD (PBOD) at the lowest surface overflow rate (SOR) of 1.1 m3/m2/hr corresponding to the longest settling time of 3 hours were 59% and 64% for FW, and 65% and 70% for FW with MWW samples. On the other hand, no significant variation between FW and FW with MWW was observed for PN removal after 3 hours of settling.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,026
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0080,005

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 Opus0,042
Tête enseignante GPT0,267
Écart entre enseignants0,225 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Environment ResearchMême sujetWastewater Treatment and ReuseTravaux en français237 207