MétaCan
Menu
Retour à la cohorte
Enregistrement W6924782299 · doi:10.15898/j.cnki.11-2131/td.201703070027

Using Hg2+ as a Precursor to Calibrate Gaseous Elemental Mercury from Pyrolysis of Coal

2017· article· en· W6924782299 sur OpenAlexaboutno aff

Notice bibliographique

RevueDOAJ (DOAJ: Directory of Open Access Journals) · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMaternal and Neonatal Healthcare
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMercury (programming language)CoalPyrolysisCalibrationAnalytical Chemistry (journal)Elemental mercuryReproducibility

Résumé

récupéré en direct d'OpenAlex

Mercury is easily volatile and vaporizes in air. The monitor of mercury in gas phase provides insight for developing advanced Hg control technologies. However, the analytical method of gas mercury is rudimentary. In order to determine the gas mercury content, a reliable calibration method is needed. This study provides a method of calibrating gas mercury from pyrolysis of coal with Hg2+ as a precursor. The method is based on the principle that Hg2+ in aqueous solution can be quantitatively reduced by reductant into elemental mercury vapor to determine the calibration of mercury content in gas phase. Compared with the conventional calibration method based on the saturated vapor principle, this method eliminates the influence of the sampling temperature, the quantity of mercury during sampling can be easily controlled, and pollution of the gaseous mercury stored in the laboratory is avoided. To illustrate the accuracy of the calibration method, the quantity of elemental mercury emission during pyrolysis of four coals were determined. Results show that the method has good reproducibility and adaptability. Compared with the Canadian Ontario-Hydro method, the relative standard deviations of both methods are less than 3.0%, indicating a high reliability of this calibration method.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,102
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,002
Science ouverte0,0030,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0260,000

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.

Tête enseignante Opus0,491
Tête enseignante GPT0,668
Écart entre enseignants0,177 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDOAJ (DOAJ: Directory of Open Access Journals)Même sujetMaternal and Neonatal HealthcareTravaux en français237 207