Characterization of Chemical and Bacterial Compositions of Dairy Wastewaters
Notice bibliographique
Résumé
The dairy industry produces large amounts of wastewater, including white and cleaning wastewater originating principally from rinsing and cleaning-in-place procedures. Their valorization into process water and non-fat milk solids, in the case of white wastewater, or the renewal of cleaning solutions could be achieved using pressure-driven membrane processes. However, it is crucial to determine the intrinsic characteristics of wastewaters, such as proximate composition and bacterial composition, to optimize their potential for valorization. Consequently, white and cleaning wastewaters were sampled from industrial-scale pasteurizers located in two different Canadian dairy processing plants. Bacterial profiles of dairy wastewaters were compared to those of tap waters, pasteurized skim milk and unused cleaning solutions. The results showed that the physicochemical characteristics as well as non-fat milk solids contents differed drastically between the two dairy plants due to different processing conditions. A molecular approach combining quantitative real-time polymerase chain reaction (qPCR) and metabarcoding was used to characterize the bacteria present in these solutions. The cleaning solutions did not contain sufficient genomic DNA for sequencing. In white wastewater, the bacterial contamination differed depending on the dairy plant (6.91 and 7.21 log10 16S gene copies/mL). Psychrotrophic Psychrobacter genus (50%) dominated white wastewater from plant A, whereas thermophilic Anoxybacillus genus (56%) was predominant in plant B wastewater. The use of cold or warm temperatures during the pasteurizer rinsing step in each dairy plant might explain this difference. The detailed characterization of dairy wastewaters described in this study is important for the dairy sector to clearly identify the challenges in implementing strategies for wastewater valorization.
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 ».