Development of a separation and concentration process for producing diesel exhaust fluid from human urine: A feasibility study
Notice bibliographique
Résumé
Diesel exhaust fluid (DEF), composed of 32.5 wt% of urea in deionized water, is essential for reducing the emissions of nitrogen oxide and sulfur oxides from diesel vehicles. However, existing urea production processes, such as the Haber-Bosch process, require high temperature and pressure, which contribute to their environmental impact. One natural source of urea is human urine, but DEF production from human urine is limited by its low urea concentration (0.4-1.5 wt%) and the presence of ions and organic impurities. In this study, a novel four-step process combining microfiltration (MF), reverse osmosis (RO), distillation, and mixed-bed ion exchange (IX) was developed to produce DEF from fresh human urine. Specifically, MF was utilized to remove particles and microorganisms, while RO facilitated the separation of ions and the selective transport of urea. Distillation concentrated the RO permeate to the desired urea concentration for DEF. Lastly, IX was applied to remove any remaining impurities from the concentrated solution. Our results demonstrate that the proposed solution meets all of the DEF requirements except for the presence of calcium and iron above the standard levels. A product analysis of the developed process showed a net negative economic value; however, increasing RO recovery to 80% can yield a profit of $0.79 per cubic meter of treated urine. These results have important implications for a circular urea economy, as DEF can be produced directly from human urine rather than through conventional energy-intensive and resource-dependent processes, demonstrating the feasibility of this approach at the proof-of-concept level.
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 ».