Modelling gas–liquid mass transfer in wastewater treatment: when current knowledge needs to encounter engineering practice and vice versa
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Gas-liquid mass transfer in wastewater treatment processes has received considerable attention over the last decades from both academia and industry. Indeed, improvements in modelling gas-liquid mass transfer can bring huge benefits in terms of reaction rates, plant energy expenditure, acid-base equilibria and greenhouse gas emissions. Despite these efforts, there is still no universally valid correlation between the design and operating parameters of a wastewater treatment plant and the gas-liquid mass transfer coefficients. That is why the current practice for oxygen mass transfer modelling is to apply overly simplified models, which come with multiple assumptions that are not valid for most applications. To deal with these complexities, correction factors were introduced over time. The most uncertain of them is the α-factor. To build fundamental gas-liquid mass transfer knowledge more advanced modelling paradigms have been applied more recently. Yet these come with a high level of complexity making them impractical for rapid process design and optimisation in an industrial setting. However, the knowledge gained from these more advanced models can help in improving the way the α-factor and thus gas-liquid mass transfer coefficient should be applied. That is why the presented work aims at clarifying the current state-of-the-art in gas-liquid mass transfer modelling of oxygen and other gases, but also to direct academic research efforts towards the needs of the industrial practitioners.
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,001 |
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 découle