Analyzing the Rare Earth Elements (REEs) and Trace Metals in Tailings
Notice bibliographique
Résumé
In the process of producing bitumen from oil sand, a by-product called tailings is produced. Tailings are a mixture of clay, fine particles, water, solvent and residual bitumen. The industry’s current approach is to leave them in tailings ponds; however, that may cause environmental impacts to the ecosystems around them due in part to the toxic trace metals found in them. Research has shown that there are also valuable rare Earth elements (REEs) present in tailings. REEs found in tailings include Cerium, Neodymium, Lanthanum etc. Iron, Titanium, and Zirconium are not considered REEs but are still valuable enough to be extracted. The objective of this research was to determine the concentration of REEs and trace metals in bitumen froth treatment tailings (FTT). Our research team used acid digestion and inductively coupled plasma mass spectroscopy (ICP-MS) to measure the concentration of REEs and trace metals in several samples of FTT ash. We learned that Cerium was the most prevalent REE in tailings samples (>1000ppm), followed by Neodymium and Lanthanum. Zirconium was the most prevalent trace metal found in this tailings sample (>1000ppm), followed closely by Vanadium. Knowing the exact concentration of harmful trace metals in tailings will allow us to determine the extent of tailings ponds environmental effect and toxicity. Collecting and selling expensive metals found in tailings could be the start of a new precious metals economy in Alberta, which would provide new investment opportunities and jobs. This would also encourage corporations to invest in finding new ways to extract these precious metals, resulting in more purified tailings and less tailings overall going into tailings ponds.
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 | 0,000 | 0,001 |
| 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 ».