Sulfate-based coagulants can suppress methanogenesis in treated oil sands fine tailings
Notice bibliographique
Résumé
Bitumen extraction from mined oil sands ore generates a large volume of fluid fines tailings (FFT) that must be incorporated into either aquatic or terrestrial reclamation landforms. Mine operators are developing various tailings technologies to accelerate FFT dewatering, including the addition of chemical coagulants and flocculants. However, the impacts of these coagulants and flocculants on biogeochemical processes in treated FFT are not fully understood. We conducted anaerobic batch experiments to examine the influence of different doses (i.e., 0, 500, 1000, and 1500 ppm) of sulfate-based coagulants, including aluminum sulfate (alum) [Al 2 (SO 4 ) 3 ∙ n H 2 O], ferric sulfate (ferric) [Fe 2 (SO 4 ) 3 ∙ n H 2 O], and calcium sulfate (gypsum) [CaSO 4 ∙2H 2 O], on biogenic gas production and microbial communities in treated FFT. Our results show that sulfate addition stimulated microbial sulfate reduction, which inhibited methanogenesis in coagulated FFT relative to experimental controls. Sulfate depletion preceded increased methane production in the 500 ppm gypsum experiment, while larger ferric and alum doses produced higher sulfate concentrations and larger pH decreases. 16 S rRNA sequencing revealed that Comamonadaceae , Anaerolineaceae , and Desulfocapsaceae were the major bacterial families, while Methanoregulaceae and Methanosaetaceae dominated the archaeal families in all treatments. Precipitation of iron(II) sulfides limited dissolved hydrogen sulfide concentrations in experiments where Fe availability was not limited. Our results indicate that addition of sulfate-based coagulants can stimulate microbial sulfate reduction and suppress methanogenesis. However, resumption of methane production following sulfate depletion reveals complex interactions among biogeochemical reaction pathways. Overall, this study demonstrates that biogeochemical cycling of carbon, sulfur, and iron are important considerations for the development and implementation of tailings treatment technologies.
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 | 0,000 | 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) | 0,001 | 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 ».