MétaCan
Menu
Retour à la cohorte
Enregistrement W2977533666 · doi:10.1149/ma2018-02/27/917

Removal of Silica from in-Situ Produced Water By Electrocoagulation

2018· article· en· W2977533666 sur OpenAlexaff
Edward P.L. Roberts, Tianpei Shu, Behzad Fuladpanjeh‐Hojaghan, Nael Yasri, Milana Trifkovic

Notice bibliographique

RevueECS Meeting Abstracts · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Quality Monitoring and Analysis
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésElectrocoagulationFoulingElectrodeMaterials scienceCoagulationWater treatmentChemical engineeringScanning electron microscopeParticle (ecology)ElectrolyteAnalytical Chemistry (journal)ChemistryComposite materialEnvironmental engineeringEnvironmental scienceChromatography

Résumé

récupéré en direct d'OpenAlex

Compared to water treatment by chemical coagulation, electrocoagulation produces less sludge, leads to only a small change of pH, and can have lower operating costs. Operating costs are a combination of operating labour, electrical power and replacemnt of the consumable metal electrodes. In this study we report the performance of EC for silica removal from in-situ produced water and blowdown, including the energy and metal consumption required per unit volume of treated water, under a range of operating conditions. The use of polarity reversal to control electrode fouling is investigated, as well as some novel operating conditions. With polarity reversal, the particle size distribution of precipitated coagulant changes depending on the frequency of the reversal. At high frequency there is less electrode fouling, but the particle size formed is smaller, so separation of the solids becomes more challenging. We use laser scanning confocal microscopy with pH sensitive fluourescent dyes to observe the precipitation process occuring in the pH boundary layer at the electrode surface. This approach reveals the influence of polarity reversal and mass transport on the coagulation process.

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)0,001
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 enseignants0,045
Score d'incertitude au seuil0,594

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,013
Tête enseignante GPT0,241
Écart entre enseignants0,227 · 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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetWater Quality Monitoring and AnalysisTravaux en français237 207