MétaCan
Menu
Retour à la cohorte
Enregistrement W4319864397 · doi:10.5267/j.ccl.2022.11.003

Performance of a variety of treatment processes to purify wastewater in the food industry

2023· article· en· W4319864397 sur OpenAlexvenueno aff
Adel Q. S. Shamsan, Mohamed Riad Fouad, Waleed A. R. M. Yacoob, Mokhtar A. Abd ul‐Malik, Shaban A. A. Abdel‐Raheem

Notice bibliographique

RevueCurrent Chemistry Letters · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Quality Monitoring Technologies
Établissements canadiensnon disponible
Organismes subventionnairesStrong
Mots-clésWastewaterEffluentChemical oxygen demandBiochemical oxygen demandChemistryFood industryTotal suspended solidsSewage treatmentPulp and paper industryWastewater quality indicatorsSuspended solidsWaste managementEnvironmental scienceEnvironmental engineeringFood science

Résumé

récupéré en direct d'OpenAlex

The food industry consumes large amounts of water although there is an increasing demand for water and a rapid decrease in the level of natural water resources. Wastewater resulting from food industries needs to be assessed for their compliance to standards. In this study, wastewater treatment steps from the food industry were investigated for accurate assessment of wastewater loading by analyzing parameters of the concentration of compounds present in the effluents. The results revealed that the parameters of treated wastewater were as follow, electrical conductivity 2931 μs/cm, total suspended solids 100 mg/L, biochemical oxygen demand 90 mg/L, chemical oxygen demand 250 mg/L, total phosphorus 7.9 mg/L, and total nitrogen 70 mg/L. This exerts a huge load on the biological treatment unit. Thus, this study offers an understanding and support in selecting appropriate treatment for industrial wastewater to obtain an effluent suitable in compliance with standards of the environmental quality.

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)0,000
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
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 Opus0,045
Tête enseignante GPT0,270
Écart entre enseignants0,225 · 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'étudeObservationnel
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

Citations32
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCurrent Chemistry LettersMême sujetWater Quality Monitoring TechnologiesTravaux en français237 207