MétaCan
Menu
Retour à la cohorte
Enregistrement W3001144608 · doi:10.3390/w12020323

Measurement and Modelling of Moisture Sorption Isotherm and Heat of Sorption of Fresh Feces

2020· article· en· W3001144608 sur OpenAlexafffund
Claire Remington, Catherine Bourgault, Caetano C. Dorea

Notice bibliographique

RevueWater · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Drying and Modeling
Établissements canadiensAlberta Environment and Protected AreasUniversity of Victoria
Organismes subventionnairesMitacsUniversity of Victoria
Mots-clésFecesEnvironmental scienceDewateringSorptionBiosolidsFecal coliformSanitationWater contentMoistureWaste managementEnvironmental engineeringPulp and paper industryChemistryEnvironmental chemistryEcologyBiologyEngineeringWater quality

Résumé

récupéré en direct d'OpenAlex

The drying (or dewatering) of fresh feces and fecal sludge is a productive step in the management of sanitation, waste treatment, and resource recovery services. An improved understanding of fresh feces and fecal sludge drying would contribute to the development and deployment of fecal sludge management services. However, there is a lack of available literature on the fundamental drying characteristics of fresh feces. In response to this gap, this work shares experimental results for equilibrium moisture content of fresh feces at different water activity levels (aw) and proposes the use of the Guggenheim, Anderson, and de Boer (GAB) model for predicting aw, calculating the heat of sorption, and estimating the corresponding energy requirements for drying of fresh feces. This is the first time this work has been done with fresh feces. The total heat of evaporation was significant up to a moisture content of about 0.2 kg water per kg dry solids. In addition to informing drying process design, the sorption isotherm can be used to predict microbial activity, which could improve the management of feces and fecal sludge from a public health perspective. These data in turn will be used to promote access to dignified, safe, and sustainable sanitation.

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 enseignants0,033
Score d'incertitude au seuil0,070

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 Opus0,074
Tête enseignante GPT0,196
Écart entre enseignants0,122 · 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

Citations9
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetFood Drying and ModelingTravaux en français237 207