Traitement de lixiviats stabilisés de décharge par des membranes de nanofiltration
Bibliographic record
Abstract
Le terme "lixiviat" ou "jus de décharge", désigne l'eau qui a percolé à travers les déchets en se chargeant de polluants. Ces effluents pollués doivent être traités. En raison des exigences croissantes des normes de rejet et de la stabilisation des lixiviats au cours du temps, de nouvelles techniques ont fait leur apparition dans ce domaine. La technologie de l'osmose inverse s'est développée dans de nombreux pays européens. Cependant cette technique sélective et coûteuse, se justifie seulement quand les normes sont drastiques. C'est pourquoi la nanofiltration pourrait constituer une solution intermédiaire. L'objectif de ce travail est de contribuer à mieux maîtriser cette technique pour l'élimination de la Demande Chimique en Oxygène (DCO) récalcitrante, subsistant après les traitements biologiques classiques. Nous avons évalué les performances de trois membranes (organiques et minérales) pour l'abaissement de la charge organique, en fonction des conditions hydrodynamiques (vitesse et pression). Chacune de ces membranes possède un comportement spécifique vis à vis de ces lixiviats stabilisés (adsorption, polarisation de concentration, obstruction des pores). L'influence d'une coagulation préalable sur les performances d'épuration a également été examinée pour l'une des membranes. Cette étude constitue une étape préliminaire au dimensionnement d'une installation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".