Competing reactions of selected atmospheric gases on Fe <sub>3</sub> O <sub>4</sub> nanoparticles surfaces
Notice bibliographique
Résumé
Heterogeneous reactions on atmospheric aerosol surfaces are increasingly considered important in understanding aerosol-cloud nucleation and climate change. To understand potential reactions in polluted atmospheres, the co-adsorption of NO2 and toluene to magnetite (Fe3O4i.e. FeO·Fe2O3) nanoparticles at ambient conditions was investigated for the first time. The surface area, size distribution, and morphology of Fe3O4 nanoparticles were characterized by BET method and high-resolution transmission electron microscopy. Adsorption isotherms, collected by gas chromatography with flame ionization detection, showed that the presence of NO2 decreased the adsorption of toluene. The analyses of the surface chemical composition of Fe3O4 by X-ray photoelectron spectroscopy (XPS) reveal that, upon the addition of NO2, the surface is oxidized and a contribution at 532.5 ± 0.4 eV in the O1s spectrum appears, showing that NO2 likely competes with toluene by dissociating on Fe(2+) sites and forming NO3(-). Different competing effects were observed for oxidized Fe3O4; oxidation occurred when exposed solely to NO2, whereas, the mixture of toluene and NO2 resulted in a reduction of the surface i.e. increased Fe(2+)/Fe(3+). Analyses by time of flight secondary ion mass spectrometry further suggest toluene reacts with Fe(3+) sites forming oxygenated organics. Our results indicate that on reduced magnetite, NO2 is more reactive and competes with toluene; in contrast, on oxidized Fe3O4, toluene is more reactive. Because magnetite can assume a range of oxidation ratios in the environment, different competing interactions between pollutants like NO2 and toluene could influence atmospheric processes, namely, the formation of Fe(2+) and the formation of atmospheric oxidants.
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 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».