Assessment of Membrane and Electrochemical Technologies for the Treatment of a Selenium-Bearing Mine water: Technology Performance and Effect on Toxicity and Bioaccumulation
Notice bibliographique
Résumé
Abstract Nanofiltration (NF), reverse osmosis (RO), electrodialysis (ED), and electrocoagulation (EC), were all tested at the bench scale for removing selenium (Se) from mine water. All of these technologies reduced the concentration of total Se from 216 µg/L (i.e. 120.1 µg/L of selenate; 59.1 µg/L of selenite, and 0.6 µg/L methyl-selenic acid) in the raw mine water to about 2 µg/L or less in the treated water, equivalent to more than 99% removal. Electrodialysis was found to be the most effective, removing more than 99.5% of the Se. The untreated mine water was toxic to algae. In contrast, RO and NF reduced the toxicity of the mine water, allowing algae to grow between 15,000 to 25,000 cells/mL, while ED and EC did not allow algal growth, likely due to complete removal of essential minerals (ED) or the presence of other contaminants (EC), such as copper. The Se speciation did not change as a result of membrane filtration; however, selenite in the effluent was almost fully transformed to selenate in the brines from the ED and EC treatment processes. The effluent treated by NF and EC generated seleno-cyanate at 0.37 and 1.01 µg/L, respectively. Further testing is recommended at the pilot-scale with the same mine water as well as different mine water.
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 | 0,000 | 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) | 0,000 | 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 ».