Arsenic removal from water using marble powder waste: A comprehensive study on adsorption dynamics and machine learning predictions
Notice bibliographique
Résumé
Enhanced aqueous arsenite (As(III) removal by adsorption on marble waste powder (MWP) in batch and continuous mode was investigated. A predictive (ML) algorithm was developed to predict arsenic removal by MWP. This study pioneers the use of ML applications on MWP. The batch-scale data revealed that the adsorption of arsenite on MWP can be best described by the Liu Isotherm model, and non-linear pseudo-first-order kinetics were observed. The intraparticle diffusion model revealed adsorption occurred in more than one step, and further analysis indicated that mass transfer was the dominant step. Under favorable conditions, the regeneration potential of MWP was also observed. From laboratory experiments, three comprehensive datasets (Batch adsorption, continuous adsorption, and regeneration) were generated and used for predictive modelling. Different linear and non-linear ML models were first optimized with hyperparameter tuning using GridSearchCV and then trained and evaluated for their performance. Evaluation metrics and learning curves showed that non-linear ML models outperformed linear models. The extra trees model was the most accurate predictive model, with prediction accuracy of 91.1 %, 99.2 % and 66.8 % in datasets, respectively. Theoretical up-scaling suggests fixed-bed pilot-scale system of MWP can treat around 6000 liters of arsenic-contaminated water in 1.37 days before the breakthrough. • Marble waste powder is potential adsorbent for reducing arsenite contamination, ranging from 5 to 1000 μg/L, in water. • Pilot-scale fixed-bed column system of marble waste powder can treat approximately 6000 liters of water in 1.37 days. • The extra trees model can efficiently predict arsenite removal from water using marble waste powder. • Arsenite saturated marble waste powder can be regenerated in alkaline conditions.
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 ».