MétaCan
Menu
Retour à la cohorte
Enregistrement W2788541945 · doi:10.2166/wst.2018.073

Advanced treatment of biologically pretreated coal chemical industry wastewater using the catalytic ozonation process combined with a gas-liquid-solid internal circulating fluidized bed reactor

2018· article· en· W2788541945 sur OpenAlexaff
Zhipeng Li, Feng Liu, Hong You, Yi Ding, Jie Yao, Chao Jin

Notice bibliographique

RevueWater Science & Technology · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAdvanced oxidation water treatment
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésActivated carbonChemistryOzoneFluidized bedChemical oxygen demandCatalysisWastewaterWaste managementCoalCarbon fibersIndustrial wastewater treatmentChemical engineeringSewage treatmentAdsorptionOrganic chemistryMaterials science

Résumé

récupéré en direct d'OpenAlex

Abstract This paper investigated the performance of the combined system of catalytic ozonation and the gas-liquid-solid internal circulating fluidized bed reactor for the advanced treatment of biologically pretreated coal chemical industry wastewater (CCIW). The results indicated that with ozonation alone for 60min, the removal efficiency of chemical oxygen demand (COD) could reach 34%. The introduction of activated carbon, pumice, γ-Al2O3 carriers improved the removal performance of COD, and the removal efficiency was increased by 8.6%, 4.2%, 2%, respectively. Supported with Mn, the catalytic performance of activated carbon and γ-Al2O3 were improved significantly with COD removal efficiencies of 46.5% and 41.3%, respectively; however, the promotion effect of pumice supported with Mn was insignificant. Activated carbon supported with Mn had the best catalytic performance. The catalytic ozonation combined system of MnOX/activated carbon could keep ozone concentration at a lower level in the liquid phase, and promote the transfer of ozone from the gas phase to the liquid phase to improve ozonation efficiency.

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 candidatesÉtudes des sciences et des technologies
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 enseignants0,014
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,004
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,015
Tête enseignante GPT0,274
Écart entre enseignants0,259 · 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.

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

Citations14
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Science & TechnologyMême sujetAdvanced oxidation water treatmentTravaux en français237 207