Oxidation to Control Cyanobacteria and Cyanotoxins in Drinking Water Treatment Plants: Challenges at the Laboratory and Full-Scale Plants
Notice bibliographique
Résumé
The impact of oxidation on mitigation of cyanobacteria and cyanotoxins in drinking water treatment sludge was investigated at the laboratory and treatment plant scales. Two common oxidants, KMnO4 (5 and 10 mg/L) and H2O2 (10 and 20 mg/L) were applied under controlled steady-state conditions. Non-oxidized and oxidized sludge was left to stagnate in the dark for 7 to 38 days. Controlled laboratory trials show that KMnO4 and H2O2 decreased cell counts up to 62% and 77%, respectively. The maximum total MC level reduction achieved after oxidation was 41% and 98% using 20 mg/L H2O2 and 10 mg/L KMnO4, respectively. Stagnation caused cell growth up to 2.6-fold in 8 out of 22 oxidized samples. Microcystin (MC) producer orders as Chroococcales and Synechococcales were persistent while Nostocales was sensitive to combined oxidation and stagnation stresses. In parallel, two on-site shock oxidation treatments were performed in the DWTP’s sludge holding tank using 10 mg/L KMnO4. On-site shock oxidation decreased taxonomic cell counts by up to 43% within 24 h. Stagnation preceded by on-site shock oxidation could increase total cell counts by up to 55% as compared to oxidation alone. The increase of cell counts and mcyD gene copy numbers during stagnation revealed the impact of oxidation/stagnation on cyanobacterial cell growth. These findings show the limitations of sludge oxidation as a strategy to manage cyanobacteria and cyanotoxins in sludge and suggest that alternative approaches to prevent the accumulation and mitigation of cyanobacteria in sludge should be considered.
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 ».