MétaCan
Menu
Retour à la cohorte
Enregistrement W2524904750 · doi:10.11159/icepr16.125

Phosphorus Recovery from Hydrolysed Sewage Sludge Liquid Containing Metals using Donnan Dialysis

2016· article· en· W2524904750 sur OpenAlexvenueno aff
Ayla Uysal, Dilara Tuncer, Esengül Kır, Tuğba Sardohan Köseoğlu

Notice bibliographique

RevueProceedings of the World Congress on New Technologies · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePhosphorus and nutrient management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPhosphorusHydrolysisDialysisSewage sludgeChemistrySewage treatmentSewage sludge treatmentEnhanced biological phosphorus removalSewageWaste managementEnvironmental chemistryEnvironmental scienceActivated sludgeEnvironmental engineeringBiochemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Hydrolysis of phosphorus and metals from anaerobically digested sewage sludge was tested using inorganic acids (H 2 SO 4 , HCl, and HNO 3 ) and organic acids (citric, oxalic, and acetic).Then, the optimize conditions for release of high phosphorus and low metals from digested sludge using H 2 SO 4 by Box-Behnken design was investigated.Optimum PO 4 -P and metals (Ca, Mg, Na, K, Al, Fe and Zn) release was obtained at H 2 SO 4 0.3 M, acid/sludge ratio (mL/g) 10/1 and mixing time 90 min, respectively.Donnan dialysis having a Nafion 117 cation exchange membrane was employed the selective separation of released PO 4 -P and metals in the hydrolysed sewage sludge liquid obtained at optimum conditions.HCl at different concentrations (0.1 and 1.0 M) were used in receiver side.High levels of metals (Ca 78.73%, Mg 38.11%, Na 49.43%, K 64.62%, Al 97.59% and Zn 34.73%) were passed the receiver side using 1 M HCl for 24 h.Hence, it was observed that selective separation of phosphate and metals from digested sludge using Donnan dialysis process was achieved for phosphorus recovery.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,225
Écart entre enseignants0,209 · 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'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

Citations5
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the World Congress on New TechnologiesMême sujetPhosphorus and nutrient managementTravaux en français237 207