Identification of leaching-controlling process by differential analysis of acid neutralization for geochemical modeling – application to metal hydroxide sludge stabilization with coal fly ash –
Bibliographic record
Abstract
L’identification des principales phases minérales contenues dans ces matériaux est nécessaire car ce sont ces phases minérales qui, en contact avec la phase aqueuse, vont réagir avec la phase aqueuse et libérer en solution les éléments polluants. Cette identification est très complexe du fait de l’influence du contexte géochimique sur la stabilité des hydrates cimentaires. La minéralogie du matériau peut être déterminée par des techniques d’observation microscopique (diffractométrie, analyse thermogravimétrique, microscopie électronique).Cette approche est cependant limitée et une modélisation géochimique basée sur les résultats de tests de lixiviation est nécessaire. En particulier, l’analyse différentielle des résultats du test de neutralisation acide permet de mettre en évidence les dissolutions de ces phases au cours de l’acidification de la matrice solide. Sur la base de ces résultats expérimentaux, un modèle géochimique peut être proposé. Après validation, les simulations permettent alors de considérer des conditions diverses d’exposition du matériau et de faire apparaître les points clé qui régissent le comportement du matériau.Les travaux présentés ici ont porté sur de boues d’hydroxydes synthétiques stabilisées/solidifiées par des liants hydrauliques. Les modélisations géochimiques ont été développées avec PHREEQC, logiciel bien adapté à l’étude des matériaux cimentaires.La mise en ouvre d’une méthodologie associant modélisation géochimique, simulations numériques, caractérisations minéralogiques et essais chimiques de lixiviation, a permis d’appréhender la très grande complexité de la problématique abordée et peut être proposée pour de manière générale pour l’évaluation environnementale de matériaux susceptibles de relâcher des polluants dans les conditions des scénarios prévus pour leur stockage ou leur recyclage.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 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 teacher head, 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".