A method for assessing the performance of sorting unit operations in a material recovery facility based on waste characterizations
Notice bibliographique
Résumé
Abstract The determination of the separation efficiencies of mechanical sorting equipment is essential to improve the performance of material recovery facilities (MRFs). However, it is often a challenge to obtain these efficiencies due to the high complexity of MRFs, which often comprise several recirculation streams. In this paper, a methodology to determine the equipment separation efficiencies of a complex MRF is described and applied to an actual sorting centre located in the province of Quebec, Canada. Transfer coefficients for every unit operation and several material types, together with all material flows within the facility, have been determined for an MRF processing a stream of commingled recyclable materials. This work also provides a rare dataset of separation efficiencies for several mechanical sorting unit operations. The methodology is validated by comparing experimental data and model predictions for the recovery and purity of all main output streams. The results contribute to identify several avenues for process performance improvement, like adding a magnetic separation at the beginning of the sorting sequence or improving the separation of the 2D‐type materials collected from the second ballistic separator by changing the operation conditions or adding a quality control step. Moreover, the results also provide valuable information about material recovery and purity to help managers improve the process performance. Finally, a scenario analysis demonstrates that the performance of a second ballistic separator has an important impact on the sorting process's global efficiency and that recirculating a fraction of the rejects output stream has a negligible impact on the global performance.
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 | 0,001 | 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 ».