MétaCan
Menu
Back to cohort
Record W7034619850

Traitement simultané des nitrates et du méthane des sites d'enfouissement à l'aide de bactéries méthanotrophes par biofiltration

2022· other· fr· W7034619850 on OpenAlexaboutno aff

Bibliographic record

VenueCorpus Université Laval (Université Laval) · 2022
Typeother
Languagefr
FieldMaterials Science
TopicMachine Learning in Materials Science
Canadian institutionsnot available
Fundersnot available
KeywordsPanacheCarbon oxideLimiting
DOInot available

Abstract

fetched live from OpenAlex

Au Québec, l'enfouissement est la technique la plus répandue pour l'élimination des matières résiduelles. Bien qu'elle soit simple et économique, elle entraîne différentes problématiques, dont la production de lixiviats, des liquides très chargés en contaminants, et de gaz d'enfouissement contribuant à l'émission de gaz à effet de serre. Chez Investissement Québec - CRIQ (IQ-CRIQ), la biofiltration méthanotrophe a été étudiée dans les dernières années pour le traitement combiné de ces deux sources de polluants. Si cette technologie a montré une bonne capacité à traiter le méthane (CH₄) présent dans les gaz d'enfouissement, tout en assimilant de l'azote des lixiviats, la capacité du système biologique à résister aux fluctuations saisonnières de température peut être questionnée. L'objectif principal est donc de vérifier si le caractère exothermique de la réaction d'oxydation du CH₄ par les bactéries méthanotrophes permet de maintenir l'activité biologique au sein du biofiltre et donc la capacité épuratoire du CH₄ et de l'azote nitrate (NO₃-) des lixiviats en période hivernale. Pour ce faire, un montage expérimental comprenant quatre biofiltres avec un garnissage organique a été alimenté avec des lixiviats prétraités provenant d'un site d'enfouissement et un mélange synthétique de gaz composé de gaz naturel et d'air. Des isolants en uréthane et une chambre réfrigérée ont été utilisés afin de reproduire les conditions hivernales sur le terrain d'un biofiltre enfoui, soit une température avoisinant les 4 °C. En ce sens, la température d'alimentation liquide a aussi été diminuée à 4 °C pour deux des quatre biofiltres. L'effet d'une charge en CH₄ plus importante sur le traitement a aussi été exploré. Durant les expérimentations qui se sont étendues sur environ 300 jours, les gaz (CH₄, CO₂, N₂O entre autres) et les liquides (NO₃-, NO₂-, NH₄+, pH entre autres) ont été analysés deux à trois fois par semaine et la température interne des réacteurs a été suivie en continu à l'aide de capteurs. Les expérimentations ont permis de montrer que le maintien du traitement était possible même avec une baisse de la température du liquide d'alimentation : une capacité d'élimination de 98 à 112 gCH₄/m³/j et de 2,6 à 3,2 gN-NO₃-/m³/j a été observée pour le biofiltre à température ambiante (environ 21 °C) alimenté avec un lixiviat à 4 °C alors qu'elle a été de 113 gCH₄/m³/j et de 4,4 gN-NO₃-/m³/j pour le biofiltre témoin (température ambiante et d'alimentation liquide à environ 21 °C). Cependant, le biofiltre alimenté avec des lixiviats à 4 °C et placé dans un environnement avec une température ambiante à 4 °C a vu ses capacités à traiter le CH₄ et le NO₃- devenir nulles lors du changement drastique de température. Finalement, le biofiltre alimenté avec une concentration plus élevée en CH₄ n'a pas été en mesure de traiter davantage de contaminants, ce qui laisse croire qu'il pourrait y avoir un débalancement entre le CH₄, les NO₃- et les autres nutriments essentiels ou encore la présence d'inhibiteurs au sein du biofiltre. Une difficulté des gaz à pénétrer le biofilm a aussi pu limiter la capacité d'oxydation et donc l'enlèvement des NO₃-. Bien que des incertitudes persistent, les résultats obtenus montrent bien un potentiel de maintien des capacités épuratoires par les méthanotrophes en période froide d'opération.

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 imitation

Not 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.

metaresearch head score (Codex)0.002
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies, Insufficient payload (model declined to judge)
Consensus categoriesMeta-epidemiology (narrow)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.365
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0020.001
Meta-epidemiology (narrow)0.0010.002
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0010.001
Science and technology studies0.0030.002
Scholarly communication0.0010.001
Open science0.0030.002
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0510.001

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 head0.015
GPT teacher head0.216
Teacher spread0.201 · 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; both teacher heads agree on what is shown here.

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
Published2022
Admission routes1
Has abstractyes

Explore more

Same venueCorpus Université Laval (Université Laval)Same topicMachine Learning in Materials ScienceFrench-language works237,207