Advancements in the treatment of amine-rich wastewater from amine-based post-combustion carbon capture: a review
Notice bibliographique
Résumé
Carbon capture and storage (CCS) plants play a pivotal role in reducing greenhouse gas emissions from carbon-intensive industries while enabling the continued use of fossil fuels. Among CCS methods, amine-based post-combustion capture is widely used for its efficiency and cost-effectiveness. However, the process generates substantial amine-rich wastewater containing harmful compounds like amines, ammonia, nitramines, sulfate, and nitrosamines, posing significant environmental and health challenges. This review examines recent developments in treating amine-rich wastewater, with a focus on economically viable and environmentally sustainable solutions. It discusses amine degradation pathways, byproduct toxicity, and the environmental impacts of untreated wastewater. By examining the physical, chemical, and biological technologies, biological processes, such as the pre-denitrification-nitrification process, stand out as effective and eco-friendly solutions for treating amine-rich wastewater. This study also proposes anaerobic ammonium oxidation (ANAMMOX) as a promising approach due to the low carbon-to-nitrogen ratio of CCS wastewater. A combined denitrification-anammox process is recommended to improve nitrogen removal efficiency by producing an ammonium- and bicarbonate-rich effluent that favors anammox bacterial growth. However, its effectiveness has not yet been evaluated, highlighting the need for further research. The conducted literature review also reveals that most existing research has focused on the removal of individual wastewater components rather than treating actual CCS wastewater, highlighting the need for integrated, scalable treatment approaches tailored to real CCS effluents.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,005 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».