Water Footprint Reduction in Oil and Gas Refineries through Water Reuse: A Systematic Review
Notice bibliographique
Résumé
Oil and gas refineries are highly water-intensive industrial settings, with effluent containing a significant level of pollution stemming from diverse organic and inorganic compounds. Besides adhering to discharge standards for industrial effluent, incorporating treated oil refinery effluent (ORE) into the production cycle can play a pivotal role in curbing water consumption. In recent years, there has been research into different approaches to reclaiming ORE. Yet, selecting treatment methods that are technically, economically, and environmentally effective is crucial to preventing resource waste. Therefore, this study aimed to examine the last two decades of literature on methods and technologies used for ORE treatment. Based on the inclusion criteria, the final screening included 82 studies, with acceptable agreement assessed using Cohen's inter-examiner kappa equal to 0.86. The included studies were of biological treatment (n = 27), physicochemical processes (n = 12), advanced purification processes (n = 16), membrane-based technologies (n = 15), and green technologies (n = 13). This comprehensive review showed that the advanced membrane-based techniques are effective in the removal of pollutants from ORE for several reasons, such as reducing the consumption of chemicals, high efficiency, and ease of setup and maintenance. However, combined methods with a focus on membrane-based processes (e.g. UF-RO) are the most promising options for the reclamation of ORE. Since some effluent treatment methods require the use of chemicals and energy to run, future research should focus on environmentally friendly methods and the use of renewable energy.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».