Cultivation and Use of Acidithiobacillus ferrooxidans in Tellurium Biorecovery
Notice bibliographique
Résumé
The use of Acidithiobacillus ferrooxidans, Thiobacillus thiooxidans, and other chemoautotrophic microbes in bioleaching have been implemented in a variety of processes.1 In industry, bioleaching has been studied for its potential to extract valuable metals from low grade ores that would otherwise be cost prohibitive to recover.2 Other applications of bioleaching include the ability of certain microbes to detoxify waste products and even heavy metal contaminated soils.3 Another potential application for such bio-oxidative microbial activity is the extraction of tellurium (Te) from mine tailings, a low-cost abundant resource. Tellurium is one of the least common elements on Earth; it is found in the planetary crust at about 1 µg/kg, a rarity most comparable to that of platinum.4 A major use of Te in the U.S. is in cadmium-telluride (CdTe) solar panels5. Te is primarily imported into the U.S. from Canada, and it is usually recovered as a byproduct of copper refining.6 Since CdTe photovoltaic (PV) cells are the most efficient, cost-effective, and environmentally friendly PV chemistry, the renewables market has seen an increased demand for CdTe PV cells causing some concerns about sustainability and the limited global availability of Te. Acidithiobacillus ferroxidans is a microorganism that can oxidize iron and sulfur to produce ferric iron and sulfuric acid, and it is possible that it could also solubilize Te from sulfidic mine tailings. In this project, different media for growth of A. ferroxidans were evaluated, and a plan for testing the ability of A. ferroxidans to leach Te from mine tailings was developed. Initial characterization of A. ferroxidans cultures grown in the presence of copper tailings suggests that conditions suitable for Te bioleaching can be established.
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 ».