Does Addition of Phosphate and Ammonium Nutrients Affect Microbial Activity in Froth Treatment Affected Tailings?
Notice bibliographique
Résumé
We examined greenhouse gas (GHG) production upon the addition of ammonium and phosphate to mature fine tailing (MFT) samples from Alberta’s Pond 2/3 (at 5 and 15 m) and Pond 7 (12.5 m) in microcosm studies. The methane production rate in unamended Pond 2/3 MFT correlated with sample age; the production rate was higher in the less dense, more recently discharged MFT samples and lower in the denser, deeper sample. Adding small amounts of naphtha increased methane production, but there was no correlation with increasing naphtha, indicating that naphtha may partition into bitumen, reducing its bioavailability. Although non-detectable phosphate and low ammonium in the pore water indicate that these nutrients were potentially limiting microbial activity, their addition did not significantly affect methanogenesis but somewhat enhanced sulphate and nitrate reduction. Neither ammonium nor phosphate were detected in the pore water when added at low concentrations, but when added at high concentrations, 25–35% phosphate and 30–45% ammonium were lost. These ions likely sorbed to MFT minerals such as kaolinite, which have microbial activity governed by phosphate/ammonium desorption. Hence, multiple limitations affected microbial activity. Sulphate was less effective than nitrate was in inhibiting methanogenesis because H2S may be a less effective inhibitor than NOx− intermediates are, and/or H2S may be more easily abiotically removed. With nitrate reduction, N2O, a potent GHG was produced but eventually metabolized.
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 ».