Optimisation for enhancing sludge dewaterability using different conditioners
Notice bibliographique
Résumé
Dewatering of alum sludge from drinking-water plants is proving to be a major challenge because of the large amounts of residual sludges produced annually. In the last few years, most studies have focused on improving the dewatering process to reduce costs of alum sludge management and transport. In the present study, three different types of conditioners were tested. Lime was used as an example of an inorganic conditioner, ferric chloride (FeCl 3 ) was used as an example of a chemical conditioner and chitosan was used as an example of a biopolymer. The performance of a conditioner was evaluated with respect to its effect in reducing the resistance of the conditioned sludge to filtration, namely the specific resistance to filtration (SRF). Tests are run using different concentrations of the conditioners, different speeds of rotation and different pH values to investigate the maximum value of percentage reduction in SRF. The response surface methodology was chosen from the Design-Expert program (version 12), and the Box–Behnken design was employed to find factor settings that optimise the output response – that was, percentage reduction in SRF (Red. %). The model obtained proved to be significant enough but with varying degrees. Chitosan showed to be the most favourable conditioner with a maximum percentage reduction in SRF of 98.57%. This was followed by ferric chloride, which gave a value of 89.2% for percentage reduction in SRF, and lastly came lime with a percentage reduction of 79.81%. Besides, a lower concentration of the conditioner and a lower speed of rotation are required when using chitosan as a conditioner.
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 | 0,000 | 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 | 0,000 |
| 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 ».