Removal of Cr(VI) from wastewater by adsorption on iron nanoparticles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Due to rapid industrialisation, the presence of heavy metals in water and wastewater is a matter of environmental concern. Though some of the metals are essential for our system but if present beyond their threshold limit value (TLV), they are harmful and their treatment prior to disposal becomes inevitable. The present communication has been addressed to the removal of Cr(VI) from aqueous solutions by nanoparticles of iron. Nanoparticles of iron were prepared by sol–gel method. The characterisation of the nanoparticles was carried out by XRD and TEM analysis. Batch experiments were adopted for the adsorption of Cr(VI) from its solutions. The effect of different important parameters such as contact time and initial concentration, pH, adsorbent dose, and temperature on removal of chromium was studied. The removal of chromium increased from 88. 5% to 99.05% by decreasing its initial concentration from 15 to 5 mg L −1 at optimum conditions. Removal of Cr(VI) was found to be highly pH dependent and a maximum removal (100%) was obtained at pH 2.0. The process of removal was governed by first and pseudo‐second‐order kinetic equations and their rate constants were determined. The process of removal was also governed by intraparticle diffusion. Values of the thermodynamic parameters viz. Δ G °, Δ H °, and Δ S ° at different temperatures were determined. The data generated in this study can be used to design treatment plants for chromium rich industrial effluents. Adsorption results indicate that nanoiron particles can be effective for the removal of chromium from aqueous solutions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle