MétaCan
Menu
Retour à la cohorte
Enregistrement W3098808920 · doi:10.1016/j.wri.2020.100137

Advanced Oxidation Processes as sustainable technologies for the reduction of elderberry agro-industrial water impact

2020· article· en· W3098808920 sur OpenAlexfundno aff
Leonor C. Ferreira, Irene Salmerón, José A. Peres, Pedro B. Tavares, Marco S. Lucas, S. Malato

Notice bibliographique

RevueWater Resources and Industry · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAdvanced oxidation water treatment
Établissements canadiensnon disponible
Organismes subventionnairesH2020 European Research CouncilInstitute of Infection and ImmunityFundação para a Ciência e a Tecnologia
Mots-clésBiodegradationWastewaterReuseEnvironmental scienceSewage treatmentActivity-based costingIndustrial wastewater treatmentWaste managementAdvanced oxidation processPulp and paper industryWater treatmentChemistryEnvironmental engineeringBusinessEngineering

Résumé

récupéré en direct d'OpenAlex

World is facing an environmental crisis and industrial awareness regarding their wastewaters is gaining strength. By treating them, water footprint can be reduced allowing their recycle and reuse, as well as recovering substances with added value. This work reports the pre-treatment of non-biodegradable elderberry agro-industrial wastewater at pilot plant scale by different oxidative processes (solar photo-Fenton, solar electrochemistry and ozonation). An economical approach has been addressed for improving biodegradability for a subsequent lower-cost biological treatment. Solar photo-Fenton process attained biodegradability in 30 min entailing 0.22 € m−3 of operation costs. Solar photoelectro-Fenton treatment turned industrial wastewater biodegradable after 20 min costing 0.11 € m−3, while solar-assisted anodic oxidation required 60 min and 0.12 € m−3. Solar processes combined with electrooxidation showed to be more promising options than ozonation for reducing water footprint of biorecalcitrant industrial wastewaters and moderate organic content, if an engagement between treatment time and operating costs is prioritized.

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 enseignants0,076
Score d'incertitude au seuil0,294

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 Opus0,017
Tête enseignante GPT0,247
Écart entre enseignants0,230 · 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

Citations21
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Resources and IndustryMême sujetAdvanced oxidation water treatmentTravaux en français237 207