MétaCan
Menu
Retour à la cohorte
Enregistrement W4387411623 · doi:10.1002/aws2.1356

Design considerations for biological ion exchange drinking water filters: Resin selection, backwash, and regenerations

2023· article· en· W4387411623 sur OpenAlexaff
Karl Zimmermann, W. Chen, Jaycee Wright, Madjid Mohseni

Notice bibliographique

RevueAWWA Water Science · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Treatment and Disinfection
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésDissolved organic carbonIon exchangeWater treatmentSulfateFilter (signal processing)Environmental scienceFiltration (mathematics)Ion-exchange resinPilot plantChemistryPulp and paper industryEnvironmental chemistryEnvironmental engineeringIonInorganic chemistryEngineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Two pilot studies provide insights into the design and operations of biological ion exchange (BIEX) drinking water filters. A lab‐scale pilot with strong‐base anionic (SBA) and weak‐base anionic (WBA) resins demonstrated 35% and 31% removal of dissolved organic carbon (DOC) up to 30 months, until secondary ion exchange exhaustion. While the WBA resins exhibited 14% less removal of DOC, their larger capacity doubled the duration until filter exhaustion. WBA filters were less affected than their SBA counterparts by sulfate‐containing inlet waters. In a second pilot, while water with high DOC yielded rapid exhaustion of SBA resins, air scouring increased the breakup of filter media and improved solids removal by 30× compared to hydraulic backwash alone. Significantly, DOC removal improved by 36% for a week following air scour. Key recommendations include the use of WBA resins to extend operating life while implementing air scouring can dramatically improve short‐term DOC removal.

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)0,002
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,262
Écart entre enseignants0,189 · 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'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

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAWWA Water ScienceMême sujetWater Treatment and DisinfectionTravaux en français237 207