Electrocoagulation (EC) for the Removal of Silica from Mining ARD Water Treatment
Notice bibliographique
Résumé
During the nanofiltration (NF) and reverse osmosis (RO) process, ions in the reject stream becomes increasingly concentrated. NF/RO concentrates from the treatment of mining acid rock drainage (ARD) water contain high levels various impurities—depending on the geochemistry of the waste rock and the treatment processes applied. Presence of cross-linked fine colloidal particles, especially silica, at certain levels in NF/RO concentrate streams can cause membrane fouling creating significant operational and water management challenges. Electrocoagulation (EC) is a mature technology for many types of industrial waste water treatments. The technology can remove metal ions, colloidal suspensions, fine particles, and soluble inorganic pollutants from aqueous solution by introducing highly charged polymeric metal hydroxide species. In this paper, EC is explored as a treatment option for concentrated ARD water with focus in silica removal. Fe metal plates were employed as sacrificial electrodes. The experiments systematically investigate the influence of pH, dissolved oxygen (DO), current density (CD), and duration on the formation of green rusts (GRs) and silica removal. Batch tests have proved the concept that EC is a viable approach for silica removal from 80% RO reject water. Silica can be reduced from ~14 ppm down to ~3.0 ppm under 25mA/cm 2 current density for 60 minute or 12.5 mA/cm 2 for 120mins. Such level of silica removal can alleviate membrane fouling during subsequent NF/RO treatment. The DO level in solution has an important influence on pH and water chemistry, governs ferrous or ferric or ferrous/ferric mixed GR generation, and impacts the removal of silica in RO rejects from ARD water. EC with ferrous green rust formation under lowest DO level is best for silica removal.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».