MétaCan
Menu
Retour à la cohorte
Enregistrement W4401175938 · doi:10.3390/min14080782

The Deep Removal of Mercury in Contaminated Acid by Colloidal Agglomeration Materials M201

2024· article· en· W4401175938 sur OpenAlexaff
Shuchen Qin, Biwen Yang, Derek O. Northwood, Kristian E. Waters, Hao Ma

Notice bibliographique

RevueMinerals · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMercury impact and mitigation studies
Établissements canadiensMcGill UniversityUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésMercury (programming language)Flue gasChemistryRoastingReagentArsenicZinc smeltingAdsorptionEnvironmental chemistrySmeltingOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The high-temperature roasting/smelting process of copper and zinc concentrates will cause the mercury in the concentrate to evaporate into the flue gas, and most of the mercury in the flue gas will eventually enter the waste acid in its ionic form. A highly efficient mercury removal agent M201 with long carbon chains and loaded active functional groups can adsorb and disperse fine particles for mercury removal in the system. Through bridging, the linear structure is woven into a network to achieve large-scale capture and dispersion of fine particles and colloidal substances. The recommended operating conditions for developing mercury deep purification technology are as follows: M201 reagent concentration of 50 g/L, 6 mL/L added acid solution, room temperature, mixing time of 5 min, air flotation time of 10 min, ventilation rate of 0.1 L/min, H2SO4 concentration of 33.67 g/L, and the residual mercury content of 2 mg/L (the mercury content reaches 0.01 mg/L after two-stage mercury removal treatment). Meanwhile, the residual arsenic content is 21.9 mg/L. This study shows a better separation of arsenic and mercury and achieves one-step mercury 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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,009
Tête enseignante GPT0,251
Écart entre enseignants0,242 · 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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMineralsMême sujetMercury impact and mitigation studiesTravaux en français237 207