Assessing the efficacy of three bio‐based flocculants in the reclamation of spent lubricating oil
Notice bibliographique
Résumé
Abstract The current study encompasses a comprehensive assessment of three biopolymeric flocculants on the overall performance of recycling waste lubricating oil to achieve a higher percentage recovery, flocculation efficacy, and better quality of recovered base oil. The findings reveal that with experimental conditions such as (i) mixing time of 80 min; (ii) agitation speed of 400 rpm; (iii) reaction temperature 50°C; (iv) solvent to waste oil ratio 3:1 g/g; and (v) flocculant dosage 1 g/ kg of solvents, 1‐butanol and sodium alginate gives highest percentage yield of 91% followed by corn starch of 89.10% and xanthan gum of 87.18% as bio‐polymer flocculant. The effects of various process parameters of bio‐flocculants on flocculation efficiency are expounded. With the process parameters of (i) initial pH of 5.9, 6.0, and 6.2; (ii) mixing time − 59, 60, and 63 min; and (iii) solution temperature of 59, 60, and 62.2°C, maximum flocculation efficacy (% sludge removal) of 16.24%, 13.01%, and 14.09% were attained for the cases of refined oil treated with sodium alginate, corn starch, and xanthan gum, respectively. Results also reveal that the physicochemical properties of refined base oil treated with 1‐butanol and sodium alginate as bio flocculant are almost close to the virgin lubricating oil. The optimum recovery of high‐quality base oil with the adoption of green technology and solvent–bio flocculant combination can mitigate the environmental impact of waste oil and create an energy‐efficient sustainable condition for the regeneration of re‐refined base oil.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».