MétaCan
Menu
Retour à la cohorte
Enregistrement W3081972806 · doi:10.3390/membranes10090213

Ozone Chemically Enhanced Backwash for Ceramic Membrane Fouling Control in Cyanobacteria-Laden Water

2020· article· en· W3081972806 sur OpenAlexafffund
Stéphane Venne, Onita D. Basu, Benoît Barbeau

Notice bibliographique

RevueMembranes · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensPolytechnique MontréalCarleton University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMembrane foulingOzoneFoulingFiltration (mathematics)CyanobacteriaUltrafiltration (renal)Ceramic membraneWater treatmentMembraneChemistryPulp and paper industryEnvironmental engineeringChemical engineeringEnvironmental scienceChromatographyBacteriaGeology

Résumé

récupéré en direct d'OpenAlex

Membrane fouling in surface waters impacted by cyanobacteria is currently poorly controlled and results in high operating costs. A chemically enhanced backwash (CEB) is one possible strategy to mitigate cyanobacteria fouling. This research investigates the potential of using an ozone CEB to control the fouling caused by Microcystis aeruginosa in filtered surface water on a ceramic ultrafiltration membrane. Batch ozonation tests and dead-end, continuous flow experiments were conducted with ozone doses between 0 and 19 mg O3/mg carbon. In all tests, the ozone was shown to react more rapidly with the filtered surface water foulants than with cyanobacteria. In addition, the ozone CEB demonstrated an improved mitigation of irreversible fouling over 2 cycles versus a single CEB cycle; indicating that the ozone CEB functioned better as the cake layer developed. Ozone likely weakens the compressible cake layer formed by cyanobacteria on the membrane surface during filtration, which then becomes more hydraulically reversible. In fact, the ozone CEB reduced the fouling resistance by 35% more than the hydraulic backwash when the cake was more compressed.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,011
Score d'incertitude au seuil1,000

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 ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,227
Écart entre enseignants0,213 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations11
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMembranesMême sujetMembrane Separation TechnologiesTravaux en français237 207