MétaCan
Menu
Retour à la cohorte
Enregistrement W4293755605 · doi:10.1680/jenes.22.00016

Advanced oxidation processes for treating raw leachate: an experimental study (Barka landfill, Oman)

2022· article· en· W4293755605 sur OpenAlexvenueno aff
Ruqaya Al-Syabi, Azizallah Izady, Mahad Baawain, A. Al-Mamun, Mingjie Chen

Notice bibliographique

RevueJournal of Environmental Engineering and Science · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAdvanced oxidation water treatment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLeachateHydrogen peroxideOzoneMunicipal solid wasteChemical oxygen demandEnvironmental scienceTotal organic carbonEnvironmental chemistryPulp and paper industryPopulationWaste managementWastewaterChemistryEnvironmental engineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Management of municipal solid waste leachate has become an urgent environmental problem in many countries due to the high growth of population and consumption trends. Advanced oxidation processes (AOPs) are efficient methods to treat leachate because of their high ability to reduce unpleasant parameters. Although the simultaneous application of different AOP methods is more effective than a single process, the simultaneous application of AOPs for the treatment of municipal solid waste leachate has received little attention. To fill this knowledge gap, this study presents the simultaneous application of AOP methods to treat municipal solid waste leachate. The efficiency of AOPs was studied in terms of organic compounds such as chemical oxygen demand (COD) and total organic carbon (TOC). Leachate samples were collected from the Barka landfill, which is located in the north-east of Oman. Four combinations of applied AOP methods (e.g. ozone (O 3 ), hydrogen peroxide (H 2 O 2 ) and ultraviolet (UV)) in this study resulted in the order of hydrogen peroxide/ozone/UV > hydrogen peroxide/ozone > ozone/UV > hydrogen peroxide/UV according to the COD removal efficiency. Combining these AOP methods resulted in an about 1.5 times increase in COD removal (56.62%) and a 1.9 times increase in TOC removal (39.34%) compared with the individual applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,250
Score d'incertitude au seuil0,501

Scores Codex et Gemma par catégorie

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

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 Opus0,007
Tête enseignante GPT0,234
Écart entre enseignants0,226 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Environmental Engineering and ScienceMême sujetAdvanced oxidation water treatmentTravaux en français237 207