MétaCan
Menu
Retour à la cohorte
Enregistrement W2017361785 · doi:10.1002/jctb.571

Impact of dissolved wastewater constituents on peroxidase‐catalyzed treatment of phenol

2002· article· en· W2017361785 sur OpenAlexafffund
Monika Wagner, Jim A. Nicell

Notice bibliographique

RevueJournal of Chemical Technology & Biotechnology · 2002
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAdvanced oxidation water treatment
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMcGill University
Mots-clésChemistryPhenolSulfideCyanideHydrogen peroxideThiosulfateInorganic chemistryDistilled waterSulfurNuclear chemistrySodium thiosulfateHydrogen sulfideCatalysisHorseradish peroxidaseOrganic chemistryChromatographyEnzyme

Résumé

récupéré en direct d'OpenAlex

Abstract The impact of dissolved wastewater constituents on the treatment of synthetic phenol solutions using horseradish peroxidase (HRP) and hydrogen peroxide was investigated under a variety of reaction conditions. The constituents studied included various inorganic salts, organic compounds and heavy metals. Higher H 2 O 2 doses were required to treat phenol in the presence of sodium sulfite, thiosulfate and sulfide; however, enhanced levels of phenol conversion were achieved once sufficient H 2 O 2 was supplied. Sulfide and cyanide inhibited phenol transformation. The inhibition of sulfide was overcome by supplying sufficient H 2 O 2 to oxidize the sulfide to sulfur. However, increasing the H 2 O 2 dose was ineffective in attempting to overcome the strong inhibiting effect of cyanide. Among the heavy metal ions tested, only Mn(II) substantially inhibited phenol removal when it was present at a concentration of 1 mmol dm −3 . The presence of inorganic salts including NaCl, CaCl 2 , MgCl 2 , NH 4 Cl and (NH 4 ) 2 SO 4 reduced phenol conversion as compared with the treatment in distilled‐deionized water. This can be attributed to the increased ionic strength of the solution. © 2002 Society of Chemical Industry

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,258
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations34
Publié2002
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Chemical Technology & BiotechnologyMême sujetAdvanced oxidation water treatmentTravaux en français237 207