Detecting and quantifying organic contaminants in sediments with nuclear magnetic resonance
Notice bibliographique
Résumé
ABSTRACT We have conducted proton nuclear magnetic resonance (NMR) measurements of relaxation times T1 and T2 as well as the diffusion coefficient D to detect and quantify gasoline, diesel, crude oil, and trichloroethylene (TCE) in sediment samples containing water. The sediment samples were coarse sand, fine sand, and a sand-clay mixture. We found that water, gasoline, diesel, and crude oil all exhibited similar signal amplitudes per unit volume, whereas TCE exhibited one-tenth the signal. The ability to use T2 measurements to distinguish the contaminant signal from the water signal depended on the bulk-fluid properties as well as the sediment texture and grain size. In the T2 distributions for samples containing equal volumes of contaminant and water, the contaminant signal could be resolved for crude oil in sand and for gasoline and TCE in the sand-clay mixture. Adding the diffusion measurement, using either pulsed or static gradients, made it possible to distinguish diesel and crude oil in all of the samples due to the large differences between the D of the contaminants and water. From the diffusion measurements, we were able to accurately quantify diesel and crude oil volumes ranging from 1% to 17% of the total sample volume. These methods could be applied in the field using NMR logging tools to quantify and monitor subsurface contamination.
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 | 0,000 |
| 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) | 0,000 | 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 ».