Evaluation of Strategies to Remediate Mixed Wastes at an Industrial Site in Brazil
Notice bibliographique
Résumé
Abstract Complex mixtures of contaminants at hazardous waste sites often pose significant challenges for remediation. For example, within the largest industrial area in northeastern Brazil, one of the sites is contaminated with at least 26 chemicals, six of which are present in the part per million range: chlorobenzene (CB), 1,2‐dichlorobenzene (1,2‐DCB), 4‐nitrotoluene (4‐NT), 2,6‐dinitrotoluene (2,6‐DNT), 4‐isopropylaniline (4‐IPA), and 1,2‐dichloroethane (1,2‐DCA). Other chemicals of concern include 2,4‐dinitrotoluene (2,4‐DNT), 2‐ and 3‐nitrotoluene (NT), and 1,4‐dioxane. The objective of this study was to evaluate remediation strategies that include aerobic and anaerobic biodegradation, along with chemical reduction and oxidation. In microcosms prepared with site soil and groundwater, aerobic biodegradation of CB, 1,2‐DCB, 2‐NT, 3‐NT, and 4‐NT was demonstrated, while the dinitrotoluene isomers, 1,2‐DCA, and 1,4‐dioxane were recalcitrant. 2,6‐DNT, 2,4‐DNT, and 4‐NT were readily reduced to amino‐toluenes under anaerobic conditions by microbes with lactate serving as the electron donor or using zero valent iron. Amino‐toluenes were amenable to chemical oxidation and/or aerobic biodegradation. This suggests a sequential treatment strategy may be the most effective remediation approach, consisting of aerobic biodegradation, followed by anaerobic reduction (abiotic or biotic) and then aerobic biodegradation and/or chemical oxidation. This approach was the most effective in a continuous flow column experiment using site soil. Batch tests with mixtures of contaminants as well as groundwater exposed to chemical oxidation revealed modest to no inhibitory effects. While these mixtures may slow the rate of biodegradation, a remediation strategy that incorporates aerobic and anaerobic biodegradation is achievable.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,001 |
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 ».