Biological Manganese Oxidation by Pseudomonas putida in Trickling Filters
Notice bibliographique
Résumé
Manganese (Mn) is considered a nuisance chemical in drinking water. Manganese causes problems with staining, foul odor, undesirable tastes, and can be corrosive to pipelines. The United States Environmental Protection Agency (US EPA) recommends a secondary maximum contaminant level for Mn below a concentration of 0.05 mg/L. Currently manganese contaminated water is typically treated using expensive and potentially harmful oxidizing agents. Biological treatment techniques have been researched as a viable alternative for removing undesired chemicals from drinking water. In this study, bench scale trickling filters were constructed to compare the Mn removal efficiency between biochemical and abiotic processes. Glass beads between three and five millimeters in diameter were used as the solid media in the trickling filters with and without inoculation of a Mn oxidizing bacterium, Pseudomonas putida. Manganese oxidation and removal was found to be significantly greater in trickling filters with Pseudomonas putida biofilms after startup times of only 48 hours. Mn oxidation in Pseudomonas putida inoculated trickling filters was up to 75% greater than non-inoculated filters. One dimensional advection dispersive models were formulated to describe the transport of Mn in trickling filter porous media. Using the data collected in the experiments, the model predicted that that an average of 10 mg/L of influent Mn (II) concentration can be decreased by 78.56% with a filter depth of only 10 cm. The rapid startup time and the high Mn removal capacity of trickling filters inoculated with Pseudomonas putida can potentially become a mainstream treatment system in conjunction with sand filters.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».