MétaCan
Menu
Retour à la cohorte
Enregistrement W2605647373 · doi:10.11159/awspt17.158

Decentralized Treatment of Grey Water by Natural Coagulants in the Presence of Coagulation Aid

2017· article· en· W2605647373 sur OpenAlexvenueno aff
Roopika Nautiyal, Shivangi Uliana, Ishant Raj, Brij Shah, Kavish Rathore, Anantha Singh

Notice bibliographique

RevueProceedings of the World Congress on Civil, Structural, and Environmental Engineering · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWastewater Treatment and Reuse
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCoagulationNatural (archaeology)Water treatmentComputer scienceWaste managementGeologyEngineeringMedicine

Résumé

récupéré en direct d'OpenAlex

The treatment and re-use of grey water is becoming increasingly relevant in order to augment available potable water in most developed countries and countries with increasing population. Grey water is the wastewater captured from hand basins, showers, baths, laundry tubs and kitchen sinks, excluding those from toilets or urinals. The study focused on the treatability of grey water using natural coagulants and synthetic coagulation aid. The grey water sample collected from the hostel was used for the study. The initial characteristics of the grey water were assessed using pH, TDS, Turbidity, COD and BOD and measured as 9.41, 1240 mg/l, 165 NTU, 3618 mg/l and 1543 mg/l respectively. The natural coagulant used for the study was freely available Sapodilla seeds, and the coagulation aid used was Alum. The coagulation with Sapodilla seeds proved to remove about 50% of turbidity, 30% COD for a seed concentration of 50 mg/L. The coagulation with coagulation aid alum removed 20% COD and 40% of turbidity. Addition of coagulation aid to the coagulant proved to remove 90% of turbidity and 70% COD for alum concentration of 10 mg/l. The present study focuses on the development of a decentralized grey water treatment unit comprised of natural coagulants to ensure the reuse standard.

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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,087
Score d'incertitude au seuil0,388

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 technologies0,0000,000
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 Opus0,007
Tête enseignante GPT0,203
Écart entre enseignants0,196 · 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

Citations11
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the World Congress on Civil, Structural, and Environmental EngineeringMême sujetWastewater Treatment and ReuseTravaux en français237 207