Bioremediation of engine-oil contaminated soil using local residual organic matter
Notice bibliographique
Résumé
Soil remediation industries continue to seek technologies to speed-up treatment and reduce operating costs. Some processes are energy intensive and, in some cases, transport can be the main source of carbon emissions. Residual fertilizing matter (RFM), such as organic residues, have the potential to be beneficial bioremediation agents. Following a circular economy framework, we investigated the feasibility of sourcing RFMs locally to reduce transport and assess possible bioremediation efficiency gains. RFMs were recruited within 100 km of the treatment site: ramial chipped wood (RCW), horse manure (MANR) and brewer spent grain (BSG). They were added to the land treatment unit’s baseline fertilizer treatment (FERT, ‘F’) to measure if they improved the remediation efficiency of an engine oil-contaminated soil (7500 ± 100 mg kg-1). Results indicate that MANR-F was the only amendment more effective than FERT for PHC reduction, while emitting the least CO2overall. RCW-F was equivalent to FERT but retained more moisture. Although BSG contributed the most nitrogen to the soil, BSG-F retained excessive moisture, emitted more VOCs, contained less soil O2, and was less effective than the baseline treatment. Significantly more of the C16-C22fraction was removed (63 ± 22%) than all other fractions (C22-C28, C28-C34, C34-C40), which were equally removed. Microbial community-level physiological profiling (CLPP) was conducted with Biolog EcoplatesTM, and catabolic diversity differed between treatments (utilization rates of 31 carbon sources). MANR-F has the potential to increase PHC-remediation speed and efficiency compared to inorganic fertilizer alone. Other RFM promote moisture retention and diverse microbial catabolic activity. A variety of RFM are present across the globe and some can offer low-cost amendments to boost remediation efficiency, while reducing treatment time compared to traditional fertilizer-only methods.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».