Mechanism of nanofiltration fouling in high hardness and dissolved organic carbon surface water based on chemical characterization of foulant
Notice bibliographique
Résumé
Nanofiltration (NF) membranes purifying high hardness and dissolved organic carbon (DOC) surface water are prone to much more severe fouling than those supplied by waters of better quality. We conducted analyses on an ultrafiltration/nanofiltration pilot plant supplied by high hardness and DOC water to investigate the NF foulant chemical composition and fouling mechanism. NF foulant was primarily organic (97%). Analyses of the physically (PRF) and chemically (CRF) removable foulant components unveiled their different compositions. CRF, i.e., the fouling substances directly adsorbed on the nanofilter surface and pores, mainly comprised hydrophobic and low molecular weight & building blocks of humic substances. PRF, i.e., the gel-layer formed by the substances continuous deposition, contained more compounds with hydrophilic character and a wide range of molecular weights, from low molecular weight & building blocks (<1 kDa) to humic substances (1 – 20 kDa) and biopolymers (>20 kDa), showing a more uniform distribution of those features. Calcium and magnesium may have promoted the bridging of the organics with the NF membrane, and between the organics, strengthening the foulant structure. The presence of a humic- and EPS-conditioning film may have interfered with or contributed to bacterial adhesion, respectively, forming biofilm patches. • High DOC and hardness water produces a NF gel-like foulant with some bacteria • Hydrophobic low molecular weight humic substances adsorb first on the NF membrane • Gel-layer forms next from varied molecular weight hydrophilic & hydrophobic compounds • Biopolymers favor bacterial attachment while humic substances interfere with it • Bacteria may form biofilm patches directly attached to the NF membrane surface
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 | 0,000 | 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 | 0,000 |
| 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 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 ».