Ruminant-Waste Protein Hydrolysates and Their Derivatives as a Bio-Flocculant for Oil Sands Tailing Management
Notice bibliographique
Résumé
Reclamation of tailings ponds is a critical issue for the oil industry. After years of consolidation, the slurry in tailings ponds, also known as fluid fine tailings, is mainly comprised of residual bitumen, water, and fine clay particles. To reclaim the lands that these ponds occupy, separation of the solid particles from the liquid phase is necessary to facilitate water removal and recycling. Traditionally, synthetic polymers have been used as flocculants to facilitate this process, but they can have negative environmental consequences. The use of biological polymers may provide a more environmentally friendly approach to flocculation, and eventual soil remediation, due to their natural biodegradability. Peptides derived from specified risk materials (SRM), a proteinaceous waste stream derived from the rendering industry, were investigated to assess their viability for this application. While these peptides could achieve >50% settling within 3 h in bench-scale settling tests using kaolinite tailings, crosslinking peptides with glutaraldehyde greatly improved their flocculation performance, leading to a >50% settling in only 10 min. Settling experiments using materials obtained through different reactant ratios during crosslinking identified a local optimum molar reactant ratio of 1:32 (peptide amino groups to glutaraldehyde aldehyde groups), resulting in 81.6% settling after 48 h. Taken together, these data highlight the novelty of crosslinking waste-derived peptides with glutaraldehyde to generate a value-added bioflocculant with potential for tailings ponds consolidation.
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 ».