MétaCan
Menu
Retour à la cohorte
Enregistrement W2761808020 · doi:10.2166/wst.2017.511

Simultaneous organic matter removal and nitrification of an inert self-supporting immersed media to upgrade aerated lagoons

2017· article· en· W2761808020 sur OpenAlexaff
Étienne Boutet, Serge Baillargeon, Bernard Patry, Paul Lessard

Notice bibliographique

RevueWater Science & Technology · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWastewater Treatment and Nitrogen Removal
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésNitrificationEffluentAerationOrganic matterChemistryInertPulp and paper industryEnvironmental chemistryEnvironmental engineeringAerated lagoonEnvironmental scienceWastewaterNitrogenActivated sludgeOrganic chemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract A pilot study was performed to evaluate the potential of an inert self-supported immersed fixed film media to upgrade aerated lagoons. Simultaneous organic matter removal and nitrification was assessed under different loading rates and temperatures (near 0 °C) using 12 laboratory-scale reactors operated in parallel. Test results showed that both the temperature and the load have an influence on organic matter effluent concentrations. Effluent quality seemed related to the observed biofilm thickness. Thicker biofilm is believed to have contributed to biomass detachment and increased particulate organic matter concentrations in the effluent. Simultaneous organic removal and nitrification was obtained at loads above 5 g CBOD5/m2·d. The highest nitrification rate at 0.4 °C was obtained for the smallest load, which showed a nitrification limitation close to freezing point.

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 enseignants0,019
Score d'incertitude au seuil0,488

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 technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,001
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 Opus0,008
Tête enseignante GPT0,238
Écart entre enseignants0,230 · 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

Citations6
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Science & TechnologyMême sujetWastewater Treatment and Nitrogen RemovalTravaux en français237 207