MétaCan
Menu
Retour à la cohorte
Enregistrement W2913546157 · doi:10.5004/dwt.2019.23423

Investigation into the temperature effect on NOM fouling and cleaning in submerged polymeric membrane systems

2019· article· en· W2913546157 sur OpenAlexaff
Mohammad T. Alresheedi, Onita D. Basu

Notice bibliographique

RevueDesalination and Water Treatment · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésFoulingMembrane foulingMembraneBiofoulingChemical engineeringPolymeric membraneMaterials scienceChemistryEngineering

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Membrane fouling is one of the main factors that hinders the wide application of ultrafiltration (UF) processes. Limited research on the influence of temperature condition on reversible and irreversible natural organic matter (NOM) fouling has been conducted. Fouling and cleaning of a submerged polymeric UF with different NOM components were examined at 5°C, 20°C, and 35°C. Fouling was evaluated using the modified fouling index-UF (MFI-UF) and unified membrane fouling index (UMFI) indices, analysis of cake layer properties, and specific flux recovery. Results showed that fouling increased by 15%–35% when water temperature decreased from 20°C to 5°C, whereas fouling decreased by 15%–25% when the temperature increased to 35°C. The UMFI f fouling order was consistent across all temperature conditions with the NOM mixture and bovine serum albumin (BSA) fouling more severely than the alginate and humic acid. The UMFI and MFI-UF exhibited the same fouling order and can be used in complement to each other. BSA was found to be more sensitive to temperature changes and irreversibly fouling more than humic acid and alginate. The ratio of irreversible to reversible fouling (UMFI hir /UMFI hr ) increased by 15%–25% from 35°C to 20°C and by 30%– 40% from 20°C to 5°C indicating the need for altered cleaning strategies at cold water conditions.

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 enseignants0,108
Score d'incertitude au seuil0,253

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 Opus0,008
Tête enseignante GPT0,212
Écart entre enseignants0,204 · 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

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDesalination and Water TreatmentMême sujetMembrane Separation TechnologiesTravaux en français237 207