From Agro-Industrial Waste to Gold Lixiviant: Evaluating Cassava Wastewater Applications in Artisanal Mining
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artisanal and Small-Scale Gold Mining (ASGM) is a primary source of global mercury pollution, creating an urgent need for sustainable, low-cost alternatives to amalgamation. This study investigates the use of cassava wastewater (manipueira), a cyanogenic agricultural byproduct, as a lixiviant for a gold concentrate (14.30–15.87 ppm Au) from an artisanal mine. Two approaches were evaluated: direct leaching with manipueira in natura (250 ppm CN−) in single and double 8 h and 12 h cycles, and leaching with a cyanide solution concentrated from dilute manipueira (100 ppm CN−) via a simplified air-stripping system. Results were benchmarked against the mine’s amalgamation (44.7% recovery) and 30-day heap leach (75.8% recovery) processes. The most effective method observed was a two-cycle, 8 h leach with manipueira in natura, which achieved a mean gold recovery of 76.75±4.71%. This result is comparable to the efficiency of the site’s lengthy heap leach process and suggests a promising, faster, route to eliminating mercury use. Longer (12 h) leaching cycles yielded lower recoveries, suggesting process limitations such as preg-robbing. The cyanide concentration method proved inefficient, recovering a maximum of 12.40% of the available cyanide and resulting in a weaker lixiviant. The findings demonstrate that while direct leaching is a viable alternative to mercury, the inherent instability of manipueira necessitates a focus on developing efficient, controlled systems to extract and concentrate its cyanide content, thereby creating a standardized “green” reagent from a large-volume agricultural waste stream.
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.
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 | 0,001 |
| 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 découle