MétaCan
Menu
Retour à la cohorte
Enregistrement W4390043147 · doi:10.1021/acsomega.3c09331

Comprehensive Characterization of Commercial Reverse Osmosis Membranes through High-Temperature Cross-Flow Filtration

2023· article· en· W4390043147 sur OpenAlexafffund
Pooria Karami, Sadegh Aghapour Aktij, Kazem Moradi, Masoud Rastgar, Behnam Khorshidi, Farshad Mohammadtabar, John T. Peichel, Michael McGregor, Ahmad Rahimpour, João B. P. Soares, Mohtada Sadrzadeh

Notice bibliographique

RevueACS Omega · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensSuncor Energy (Canada)University of TorontoUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Natural Resources Limited
Mots-clésMembraneReverse osmosisFiltration (mathematics)Forward osmosisMaterials scienceOsmosisChemical engineeringCross-flow filtrationChemistryEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

Developing thermally stable reverse osmosis membranes is a potential game-changer in high-temperature water treatment. In this work, the performance of three commercial reverse osmosis membranes was evaluated with a series of high-temperature filtrations. The membranes were tested with different filtration methodologies: long-term operation, cyclic tests, controlled stepwise temperature increment, and permeability tests. The morphological and physiochemical characterizations were performed to study the impact of high-temperature filtration on the membranes' chemical composition and morphological characteristics. An increase in the temperature deteriorated the membrane performance in terms of water flux and salt rejection. Flux decline at high temperatures was recognized as the primary concern for high-temperature filtrations, restricting the applications of commercial membranes for long-term operations. This research provides valuable insights for researchers aiming to thoroughly characterize reverse osmosis membranes at high temperatures.

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 enseignants0,249
Score d'incertitude au seuil0,805

Scores Codex et Gemma par catégorie

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

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 Opus0,022
Tête enseignante GPT0,270
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

Citations22
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS OmegaMême sujetMembrane Separation TechnologiesTravaux en français237 207