MétaCan
Menu
Retour à la cohorte
Enregistrement W4386245295 · doi:10.3390/polym15173575

Foaming Properties of Lignosulfonates in the Flotation Process

2023· article· en· W4386245295 sur OpenAlexaff
Jhon Chique, Lina Uribe, Marek Pawlik, Andrés Ramírez, Leopoldo Gutiérrez

Notice bibliographique

RevuePolymers · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMinerals Flotation and Separation Techniques
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesFondo de Fomento al Desarrollo Científico y TecnológicoAgencia Nacional de Investigación y DesarrolloFondo de Financiamiento de Centros de Investigación en Áreas PrioritariasCentro de Recursos Hídricos para la Agricultura y la Minería
Mots-clésLignosulfonatesChemistryDodecylbenzeneSurface tensionAlkalinityChemical engineeringCopperChromatographyBubbleLigninSodiumSulfonateOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

S) and bad odors. Previous studies showed that molybdenite flotation can be depressed by the action of lignosulfonates, but no significant progress has been made in studying the effect that these reagents have on the foaming/frothing phenomena in flotation. The objective of this work was to investigate the foaming properties of three samples of lignosulfonates through measurements of surface tension, foamability, bubble size distributions, and water recovery. A sugared sodium lignosulfonate (NaLS), a calcium lignosulfonate (CaLS), and a sample prepared by sulphomethylation of kraft lignin (KLS) were tested. It was found that all lignosulfonates displayed surface activity that decreased with pH and was related to the degree of anionicity and molecular weight. The NaLS lignosulfonate showed the highest dynamic foamability index (DFI) value, compared to that of the CaLS and KLS samples. The lignosulfonates tested in this study strongly affected bubble size. Water recovery tests performed using flotation experiments in a two-phase system showed that the KLS and NaLS samples had the strongest effect, which correlated with the surface tension, foamability, and bubble size results.

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 enseignants0,075
Score d'incertitude au seuil0,179

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 savante0,0000,000
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 Opus0,026
Tête enseignante GPT0,274
Écart entre enseignants0,247 · 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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolymersMême sujetMinerals Flotation and Separation TechniquesTravaux en français237 207