MétaCan
Menu
← Back to cohort
Record W2618317735

Développement d'une approche biologique de dénitrification des effluents des mines d'or à l'échelle de laboratoire

2016· article· fr· W2618317735 on OpenAlexfundno aff
Rayen Tanabene

Bibliographic record

VenueDepositum (Université du Québec en Abitibi-Témiscamingue) · 2016
Typearticle
Languagefr
FieldEngineering
TopicMetal Extraction and Bioleaching
Canadian institutionsnot available
FundersNatural Sciences and Engineering Research Council of CanadaIAMGOLD
KeywordsForestryNitrificationChemistryNitrogenGeography
DOInot available

Abstract

fetched live from OpenAlex

La gestion responsable des effluents cyanurés constitue un défi majeur pour les mines d’or en raison, entre autres, de la pollution azotée qu’ils peuvent contenir et nécessitant un traitement efficace. Les thiocyanates (SCN-) sont parmi ces composés azotés majeurs, en plus de l’azote ammoniacal (N-NH3), les nitrites (NO2-) et les nitrates (NO3-). Les SCN- sont formés lors de l’extraction de l’or et de l’argent par les cyanures dans des gisements contenant le soufre, via la cyanuration [utilisation des cyanures (CN-) pour la séparation de l’or et de l’argent, à pH alcalin]. La pollution azotée (SCN-, N-NH3, NO2- et NO3-), ensemble avec les CN- résiduels présentent aussi un grand enjeu environnemental à cause la toxicité aquatique engendrée. De plus, l’utilisation des explosifs (ANFO : Ammonia Nitrogen Fuel Oil), lors des étapes d’extraction des minerais, présente une autre origine majeure de la pollution azotée dans les effluents miniers, entre autres les effluents des mines d’or. Les explosifs entrainent surtout du N-NH3 et des NO3- dans l’eau. Le N-NH3 est toxique pour les écosystèmes aquatiques. De plus, il peut former les NO3- en consommant l’oxygène dissout ce qui peut causer, à long terme, l’eutrophisation des eaux. La mine LaRonde, propriété d’Agnico Eagle Ltée, utilise un procédé chimique dans une usine de traitement de l’eau (UTE), pour traiter les CN-. Toutefois, ce traitement est peu efficace pour les SCN- et génère du N-NH3 résiduel qui doit être ensuite traité. Une étape subséquente de traitement biologique, dans une usine de traitement finale de l’eau (UTFE), permet de dégrader les CN- résiduels, le N-NH3 et les SCN- en les oxydant en NO3-, carbonates (CO32-) et sulfates (SO42-). L’effluent final respecte les normes de qualité physico-chimique et de toxicologie aquatique. Enfin, la dénitrification biologique de l’effluent final produit par UTE/UTFE semble être une alternative durable respectueuse de l’environnement. Elle pourrait permettre d’enlever le NO3- en le transformant en diazote gazeux (N2), gaz inerte et non toxique. \nDans ce contexte, l’objectif de la présente étude a été d’évaluer la performance d’un procédé de nitrification-dénitrification biologique sur l’effluent de la mine LaRonde contenant des concentrations élevées de SCN- (453 ± 53 mg/L) et de N-NH3 (41 ± 8 mg/L), à pH alcalin (7,5-8,4). Dans un premier volet, l’efficacité de différents scénarios de dénitrification a été validée en variant le substrat [carbone organique (bois, méthanol et éthanol), carbone minéral (SCN-), et Anammox (N-NH3)] en batch/fed-batch sur un effluent synthétique et les meilleurs ont été \nretenus. Dans un deuxième volet, l’efficacité d’un pilote de nitrification-dénitrification avec écoulement a été validée sur les scénarios retenus lors des essais en batch et fed-batch et appliqués sur l’effluent réel de la mine LaRonde. Les résultats ont mis en évidence les éléments suivants : (i) la dénitrification de l’effluent synthétique, utilisant le méthanol comme source de carbone et les NO2- comme accepteur d’électrons, a été le meilleur scénario avec une efficacité >99%, en batch, et 95%, en fed-batch. Par contre, la dénitrification utilisant les SCN- comme source de carbone minéral n’a pas montré une efficacité prometteuse en fed-batch (une diminution progressive de l’efficacité de dénitrification avec les NO2- comme accepteur d’électrons et aucune efficacité de dénitrification avec les NO3-). Enfin, les autres scénarios testés en batch et en fed-batch ont donné des résultats moins prometteurs, y compris l’approche Anammox. Parmi les approches évaluées, l’utilisation du bois attaqué par la carie/pourri (prédigéré par les champignons) comme source de carbone a été trouvée la moins efficace en dénitrification. (ii) le système pilote de nitrification-dénitrification (avec écoulement) de l’effluent réel a permis d’enlever les SCN- et les NO3- à des efficacités supérieures à 97% et à 80%, respectivement. Le méthanol comme source de carbone a permis de traiter >80% des NO3- pour tous les temps de rétention hydraulique (TRH) testés avec un maximum d’efficacité de 96%. De plus, le TRH et les facteurs de dilution induits par les recirculations influençaient beaucoup ces efficacités. Selon les bilans d’azote, la dénitrification utilisant les SCN- était peu efficace et la diminution des concentrations des SCN- et des NO3- dans l’étape de pré-dénitrification était principalement le résultat de la dilution par recirculation de l’effluent. Les résultats du système pilote de traitement se sont avérés prometteurs. Enfin, les résultats des travaux en cours et à venir vont permettre d'optimiser les critères de design d'un système de traitement à grande échelle.

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 imitation

Not 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.

metaresearch head score (Codex)0.002
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.006
Threshold uncertainty score0.012

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0020.001
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0010.000
Scholarly communication0.0020.001
Open science0.0020.001
Research integrity0.0020.001
Insufficient payload (model declined to judge)0.0020.001

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.

Opus teacher head0.011
GPT teacher head0.210
Teacher spread0.199 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2016
Admission routes1
Has abstractyes

Explore more

Same venueDepositum (Université du Québec en Abitibi-Témiscamingue)→Same topicMetal Extraction and Bioleaching→French-language works237,207→