Immobilization Of Arsenic In Mine Tailings Using Standard And \nNanoscale Metal Oxides
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
Elevated levels of arsenic can be found in mine tailings, sediment and soil samples.Leaching of arsenic from tailings can lead to the contamination of surface and groundwater.One potentially sustainable method is to add various agents to stabilize the waste and ensure that arsenic does not leach out of the waste.In the current study, the effectiveness of various types of metal oxides as immobilizing agents was tested.Leaching tests and SSE (Selective Sequential Extraction) were performed on different mixtures of mine tailings and metal oxides, using different weight ratios, reaction times, types of oxides.The mine tailings were taken from different sites in Canada.The metal oxides used were either regular (commercial grade) or nanoscale powders.The additives evaluated were MgO, ZnO, Fe 3 O 4 , TiO 2 , CaO and Al 2 O 3 .These additives were chosen for their successful use as commercial agents in chemical decontamination.The leaching tests were done using a solution of distilled water and sulphuric acid at a pH of 3 to simulate acid rain fall on the mine tailings that could occur.The concentration of arsenic in the leachate was measured using arsenic test kits and ICP-MS instrumentation.It was found that both regular and nanoscale ZnO (zinc oxide) had the highest capacity to immobilize the arsenic present in the mine tailings, whereas the other metal oxides tested and Fe 3 O 4 (magnetite) had little or no effect.Leaching tests performed on Noranda and Golden Giant mine tailings over a 24 hour period revealed that the addition of 7.5% in weight of nanoscale ZnO caused a 99.4% to 99.7% reduction in the amount of arsenic leached into solution of distilled water at a pH of 3. A 91% to 92% reduction was observed when the additives were left to immobilize the tailings for a period of 1 month.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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