Rening av PFAS-förorenat vatten från avfallsanläggningar
Bibliographic record
Abstract
Syftet med detta projekt var att studera rening av PFAS-förorenat lakvatten från avfallsanläggningar genom praktiska försök i labb- och pilotskala och genom sammanfattning och utvärdering av försök som genomfördes på andra avfallsanläggningar. Försök med ett brett spektrum av olika reningstekniker genomfördes på fyra avfallsanläggningar. En generell slutsats för alla tekniker som ger en rimlig reningskostnad är att de PFAS som har en kortare fullfluorerad kolkedja avskiljs sämre än de med en längre kedja. Ett stort fokus i utvärderingen av resultaten var därför att demonstrera hur olika reningsgrader för olika PFAS kan påverka reningskostnader. Utvärderingen av samtliga försök visade att skumfraktionering, rening med GAK och jonbytare är de mest lovande teknikerna som ger liknande kostnader vid samma reduktionsgrad. Om reningen ska utformas utifrån dagens krav blir reningskostnaderna lägst vid användning av jonbytare. Skumfraktionering ger bra reduktion av PFAS med sex eller fler helfluorerade kolatomer och är den mest kostnadseffektiva tekniken för reduktionen av de mest toxiska PFAS. Rening med GAK bedöms vara motiverat vid låga inkommande DOC-halter och om rening av andra organiska miljögifter behövs. Kostnad för rening av PFAS-förorenat lakvatten beräknas till 5-13 kr/m3 för en mellanstor avfallsanläggning.
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 | 0.010 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.066 | 0.025 |
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".