Biofilms for Turbidity Mitigation in Oil Sands End Pit Lakes
Notice bibliographique
Résumé
End pit lakes (EPLs) have been proposed as a method of reclaiming oil sands fluid fine tailings (FFT), which consist primarily of process-affected water and clay- and silt-sized particles. Base Mine Lake (BML) is the first full-scale demonstration EPL and contains thick deposits of FFT capped with water. Because of the fine-grained nature of FFT, turbidity generation and mitigation in BML are issues that may be detrimental to the development of an aquatic ecosystem in the water cap. Laboratory mixing experiments were conducted to investigate the effect of mudline biofilms made up of microbial communities indigenous to FFT on mitigating turbidity in EPLs. Four mixing speeds were tested (80, 120, 160, and 200 rpm), all of which are above the threshold velocity required to initiate erosion of FFT in BML. These mixing speeds were selected to evaluate (i) the effectiveness of biofilms in mitigating turbidity and (ii) the mixing speed required to ‘break’ the biofilms. The impact of biofilm age (10 weeks versus 20 weeks old) on turbidity mitigation was also evaluated. Diverse microbial communities in the biofilms included photoautotrophs, namely cyanobacteria and Chlorophyta (green algae), as well as a number of heterotrophs such as Gammaproteobacteria, Desulfobulbia, and Anaerolineae. Biofilms reduced surface water turbidity by up to 99%, depending on the biofilm age and mixing speed. Lifting and layering in the older biofilms resulted in weaker attachment to the FFT; as such, younger biofilms performed better than older biofilms. However, older biofilms still reduced turbidity by 69% to 95%, depending on the mixing speed. These results indicate that biostabilization is a promising mechanism for turbidity mitigation in EPLs.
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) | 0,001 | 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 ».