Impact of several sludge dewatering conditioners on municipal sludge pyrolysis properties, kinetics, by-products, and environmental risk assessment
Notice bibliographique
Résumé
The pyrolysis characteristics of four different types of conditioned sludge were ascertained, and PAM , CaO , K 2 FeO 4 , and K 2 FeO 4 -CaO-PAM (KCP) conditioners were employed as sludge dewatering conditioners. The sludge pyrolysis reaction's activation energy (E) dropped with the addition of four conditioners. CaO , PAM, KCP, and K 2 FeO 4 were the sequences of E needed for the pyrolysis of four different types of conditioned sludge. The addition of K 2 FeO 4 , CaO, and KCP resulted in an increase in the yields of H 2 and CO. Except for the K 2 FeO 4 conditioning sludge carbon, the pyrolytic carbon of the other three groups of samples showed an increase in S contents, while the pyrolytic carbon of the four groups of samples treated with conditioners clearly showed lower C and N contents compared to the raw sludge carbon. Protein-N made up the majority of N in sludge pyrolytic carbon. After adding conditioner, the level of organic sulfur decreased. Organic sulfur could then be broken down by K 2 FeO 4 and CaO. The four conditioners efficiently mitigated the ecological and environmental risks posed by heavy metals. Alkynes were the most abundant result in pyrolytic volatiles of sludge pyrolysis; the other products included acids, alcohols, lipids, furans, ketones, phenols , hydrocarbons, N-components, and so on. All samples' acids, alcohols, and ketones from pyrolysis were decreased once the conditioner was added. The acid reduction rate reached 66.7 %, and the alkynes clearly increased during the KCP conditioned sludge's pyrolysis. The sulfur level of the bio-oil was decreased by all four conditioners. Everything mentioned above indicated that the KCP aided in the subsequent pyrolysis of the sludge, leading to the production of an advantageous pyrolysis bio-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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,002 |
| 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 tête enseignante, 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 ».