MétaCan
Menu
Retour à la cohorte
Enregistrement W2591409729 · doi:10.1080/09593330.2017.1297490

The effect of contaminated particle sphericity and size on membrane fouling in cross flow ultrafiltration

2017· article· en· W2591409729 sur OpenAlexafffund
Amira Abdelrasoul, Huu Doan, Ali Lohi, Chil‐Hung Cheng

Notice bibliographique

RevueEnvironmental Technology · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMembraneMembrane foulingFoulingUltrafiltration (renal)Particle sizePolysulfoneChromatographyDispersityChemical engineeringChemistryAmmonium bromideParticle (ecology)SphericityMaterials sciencePulmonary surfactantComposite materialPolymer chemistry

Résumé

récupéré en direct d'OpenAlex

The goal of the current research was to critically examine the role of the shape and the size of contaminated particles for an accurate prediction of membrane fouling phenomenon. Polycarbonate flat membranes (PC) with uniform pore sizes of 0.05 and 0.1 µm, in addition to Polysulfone membranes (PS) with molecular weight cut off (MWCO) of 60,000 kDa were used under a constant feed flow rate and a cross-flow mode in ultrafiltration of a latex paint solution featuring a wide range of particle size distribution. The current mathematical model was developed to illustrate the effect of irregularity and polydispersity of latex particles on the mass of fouling and irreversible fouling on membranes. The experimental results established that the sphericity of contaminated particles had a critical effect on the membrane fouling and prediction of transmembrane pressure and total mass of fouling using the homogenous pore size membranes. The Cetyltrimethyl Ammonium Bromide (CTAB) was implemented as a cationic surfactant so as to facilitate the aggregation of latex particles. The results obtained indicated that the particle size had a significant influence on fouling potential at different aggregation levels.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,226
Score d'incertitude au seuil0,699

Scores Codex et Gemma par catégorie

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

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 Opus0,005
Tête enseignante GPT0,242
Écart entre enseignants0,237 · 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 tête enseignante, 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

Citations10
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental TechnologyMême sujetMembrane Separation TechnologiesTravaux en français237 207