Optimization of reverse osmosis flowback water treatment using halotolerant microbes naturally enriched in fractured shales
Notice bibliographique
Résumé
Flowback water recovered after hydraulic fracturing operations poses a serious environmental concern due to the sheer quantity produced and its toxic chemical composition. Traditional methods of wastewater treatment cannot be used for flowback water treatment due to its high concentration of non-biodegradable dissolved solids. Consequently, alternative technology has been developed to address this problem. Reverse osmosis (RO) treatment is one such example. However, guar gum gelling agents found in flowback water impede membrane permeability and water flux rate of RO, consequently decreasing the efficiency and practicality of this desirable, environment-friendly technology. Previously, a biological solution using activated sludge to degrade guar gum prior to RO treatment was attempted with limited success due to the inhibitory effects of hypersalinity (characterized by high total dissolved solids content) on microbial activity. To solve this problem, several recently discovered strains of bacteria and archaea found to be naturally enriched in fractured shales may be utilized through genetic modification to degrade guar gum under hypersaline conditions. These microbes are naturally halotolerant and thrive under hypersaline conditions, making them prime targets for genetic modification targeting various chemical additives in flowback water. Here, we provide a proof of concept model using these microbes to selectively target guar gum degradation to improve the efficiency of RO treatment.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».