MétaCan
Menu
Retour à la cohorte
Enregistrement W2763002496 · doi:10.1016/j.heliyon.2017.e00418

Desorption of harmful hydrocarbon compounds in soil using micron-sized magnetic particles and high-frequency magnetic fields

2017· article· en· W2763002496 sur OpenAlexafffund
Bailey Tye, Rushi Vyas

Notice bibliographique

RevueHeliyon · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMinerals Flotation and Separation Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesCMC Microsystems
Mots-clésDiesel fuelBTEXGasolineDesorptionHydrocarbonEnvironmental remediationAnalytical Chemistry (journal)ChemistryEnvironmental chemistryMaterials scienceEnvironmental scienceContaminationEthylbenzeneAdsorptionTolueneOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

This research looks at the use of high frequency (HF) magnetic fields to desorb/reduce harmful chemical compounds within gasoline and diesel that commonly leak out of underground storage tanks. Using a multi-strand coil design, measured magnetic fields of over 3 kilo-amperes per meter are generated at an optimal frequency of 117 kHz without skin-depth losses, and without the use of expensive super-conductors or liquid-cooled mechanisms. This high frequency magnetic field is successfully used in non-contact-based magnetic heating and desorption of Gasoline and Diesel mixed with sand, water and easily-dispersible, benign micrometer-sized iron filings, used as a magnetic absorber. Gas chromatography (GC) tests done on magnetically-heated Gasoline-soil and Diesel-soil mixtures show desorption/reduction of gasoline and diesel by 44% and 51% respectively, but desorption/reduction of harmful BTEX compounds and other chemical irritants within Gasoline and Diesel by 28-66% after only 80 minutes of magnetic heating. Review of remediation/desorption methods show magnetic fields fare favorably in comparison to other methods that require longer treatment period or the use of secondary pollutants at reducing hydrocarbon and BTEX compounds in them.

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 enseignants0,571
Score d'incertitude au seuil0,399

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 Opus0,020
Tête enseignante GPT0,261
Écart entre enseignants0,240 · 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

Citations4
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHeliyonMême sujetMinerals Flotation and Separation TechniquesTravaux en français237 207