Optimisation du traitement physico-chimique d’effluents miniers par décantation à flocs lestés pour l’enlèvement des métaux à l’aide de la méthodologie de surface de réponse
Bibliographic record
Abstract
Dans une mine de fer du nord du Québec exploitée par une importante société minière, une unité de traitement physico-chimique avec décantation à flocs lestés traite les eaux de drainage et de ruissellement issues des installations. Ces effluents contiennent des matières en suspension (MES) ainsi que divers métaux lessivés au contact avec les minerais. Conséquemment à l’introduction de nouvelles normes de rejet applicables aux métaux, c’est nécessaire d’optimiser le traitement en place afin d’améliorer la performance épuratoire de l’unité pour les métaux. Puisque chaque métal possède son propre pH optimal en matière de solubilité minimale, l’optimisation du procédé physico-chimique s’en voit complexifiée. L’objectif est de réduire la concentration de nickel et de zinc respectivement à 0,0074 mg/L et 0,017 mg/L pour une eau faiblement chargée de matières en suspension (2 mg/L). La technologie actuellement employée est la décantation à flocs lestés. La décantation lestée fonctionne grâce à l’usage d’un coagulant qui déstabilise les matières colloïdales. L’action combinée du polymère et du microsable leste ces particules pour qu'elles décantent. L’eau traitée est évacuée tandis que les flocs se compactent au fond pour former une boue [1]. La réalisation du projet est scindée en quatre parties distinctes, soit la caractérisation de l’eau à traiter, la vérification des méthodes d’enlèvement de contaminants miniers, l’analyse économique et l’optimisation des méthodes à l’usine de traitement d’effluents miniers. L’objectif est de diminuer les rejets de l’effluent dans le milieu récepteur et d’améliorer la station de conditionnement d’eau aux limites technologiques viables possible en respectant minimalement la Directive 019. Grâce aux tests effectués et à l’optimisation par méthode de surface de réponse, des réductions de l’ordre 75 % de nickel et de 87 % de zinc ont été obtenues sur l’eau synthétique. Les concentrations finales sont respectivement de 0,028 mg/L et 0,031 mg/L. Pour atteindre ces résultats, 6,3 mL/L d’agent chélatant (Métalsorb PCZ), 2 µl/L de coagulant (KEMIRA PIX312) et 6 mg/L de polymère (FLOPAM AN 905 VHM) ont été utilisés. Les portées attendues de cette étude sont de réduire l’impact induit par l’exploitation minière sur le milieu récepteur par le perfectionnement de l’usine de traitement actuelle. Cette recherche vise également à optimiser l’usage de produits chimiques nécessaire au conditionnement de l’eau notamment par l’emploi du Métalsorb PCZ. Dans cette optique, une réduction de coûts pourrait être possible grâce à un usage de ce produit chimique.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| 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".