Using Specified Risk Materials-Based Peptides for Oil Sands Fluid Fine Tailings Management
Notice bibliographique
Résumé
Fluid fine tailings are produced in huge quantities by Canada's mined oil sands industry. Due to the high colloidal stability of the contained fine solids, settling of fluid fine tailings can take hundreds of years, making the entrapped water unavailable and posing challenges to public health and the environment. This study focuses on developing value-added aggregation agents from specified risk materials (SRM), a waste protein stream from slaughterhouse industries, to achieve an improved separation of fluid fine tailings into free water and solids. Settling results using synthetic kaolinite slurries demonstrated that, though not as effective as hydrolyzed polyacrylamide, a commercial flocculant, the use of SRM-derived peptides enabled a 2-3-fold faster initial settling rate than the blank control. The pH of synthetic kaolinite tailings was observed to be slightly reduced with increasing peptides dosage in the test range (10-50 kg/ton). The experiments on diluted fluid fine tailings (as a representation of real oil sands tailings) demonstrated an optimum peptides dosage of 14 kg/ton, which resulted in a 4-fold faster initial settling rate compared to the untreated tailings. Overall, this study demonstrates the novelty and feasibility of using SRM-peptides to address intractable oil sands fluid tailings.
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) | 0,017 | 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 ».