MétaCan
Menu
Retour à la cohorte
Enregistrement W4210515177 · doi:10.1021/acsomega.1c06691

Optimizing Bleaching Operating Conditions Based on Mathematical Programming to Reduce AOX Emissions

2022· article· en· W4210515177 sur OpenAlexaff
Yongjun Yin, Shaoxu Chen, Zhichao Ma, Joe Ru He Zhao, Richard J. Kerekes, J. David McDonald, Yi Man

Notice bibliographique

RevueACS Omega · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueLignin and Wood Chemistry
Établissements canadiensJDSU (Canada)University of British ColumbiaTri Y Environmental Research Institute (Canada)
Organismes subventionnairesNatural Science Foundation of Guangxi Province
Mots-clésPulp (tooth)BleachChlorineChlorine dioxidePulp and paper industryHalogenChemistryWastewaterEnvironmental scienceProcess engineeringEnvironmental engineeringEngineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

High Resolution Image Download MS PowerPoint Slide This study describes the optimization of a eucalyptus elemental chlorine-free (ECF) bleach plant to reduce adsorbable organic halogen (AOX). The correlations between operating conditions of each stage and pulp quality indices as well as the AOX content in wastewater are analyzed, taking an ECF bleaching technology (D 0 EpPD 1 ) as an example. The calculation models of pulp quality indices and AOX content in wastewater are established. Then, an optimization model aiming at minimizing AOX emission is structured. The model shows a good simulation effect because the errors between the calculated and experimental values are within 6.3%. By analyzing the impact of various operating conditions on AOX emissions, it was found that chlorine dioxide reduced in the D 0 stage has the greatest impact on AOX. The optimization results show that AOX can be reduced from 90.84 to 79.58 kg/h, a decrease of 12.5%. The verification experiment results based on the optimized operating conditions showed that the experimental results are in good agreement with the calculated results of the optimization model, and the effect of reducing AOX based on the optimization model is obvious.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,261
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS OmegaMême sujetLignin and Wood ChemistryTravaux en français237 207