Alternative sorption filter materials effectively remove non-particulate organic pollutants from stormwater
Notice bibliographique
Résumé
Urban runoff contains a mixture of both particulate and non-particulate organic pollutants (OPs). Hydrophobic OPs such as higher petroleum hydrocarbons, phthalates, and polycyclic organic hydrocarbons (PAHs) are not exclusively bound to particles, but also present in runoff in colloidal and truly dissolved forms. These hydrophobic compounds can also form nano- and microsized emulsions that may carry pollutants in stormwater. Hence, it is of great importance to develop treatment technologies such as sorption filters that can remove non-particulate OPs from contaminated stormwater. A pilot plant using column bed-filters of sand as a pre-filter, in combination with granulated activated carbon, Sphagnum peat or Pinus sylvestris bark, was used to investigate the removal of non-particulate OPs from urban stormwater. Samples from the filter effluents were collected weekly; during or after rain events; and during stress tests when incoming water was spiked with contaminated sediment and petrol or diesel. All sorption filters showed efficient reduction of aliphatic diesel hydrocarbons C16–C35, benzene, and the PAHs phenanthrene, fluoranthene, and pyrene during most of the operation time, which was 18 months. During the stress test events, all sorption filters showed 100% reduction of PAH-16, petrol and diesel aliphatics C5–C35. All sorption filters released DOC and nanoparticles, which may explain some of the transportation of OPs through the filter beds. The recommendation is to use a combination of sand pre-filtration and all the studied sorption materials in stormwater filters in series, to achieve effective removal of different types of OPs. It is also important to improve the hydraulic conditions to obtain sufficient water flows through the filters.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».