Speciation of Arsenic Using Chelation Solvent Extraction and High Performance Liquid Chromatography
Notice bibliographique
Résumé
Abstract Research interest in speciation of arsenic stems from its species dependent behavior in the environment and in living organisms. The complexity of the matrix to be analyzed and low concentrations of target arsenic species that may be labile or difficult to chromatogram, indicate that a suitable pre‐treatment methodology is required. This study investigated the usefulness of chelation solvent extraction – high performance liquid chromatography (CSE‐HPLC) for the speciation of arsenic in water. It involved reacting arsenic with the chelant known for its affinity towards arsenic, followed by extraction, separation, and identification of the arsenic‐chelant‐arsenic complex. Arsenic species having different physicochemical properties were investigated. Species, such as, As 2 O 3 , As 3 O 5 , KH 2 AsO 4 , Na 2 HAsO 4 , and NaAsO 2 were detected as a group of closely eluted peaks with different retention times and spectral properties, whereas, the organic arsenic species CH 3 Na 2 AsO 3 , o‐arsanilic acid, roxarson and triphenyl arsine separated quite well on the EnviroseP‐CM HPLC column. Key method parameters, such as, type of HPLC column, composition of mobile phase and organic solvents affecting peak resolution and sensitivity were optimized. Real environmental matrices contaminated with arsenic were analyzed under varying wavelengths (λ max = 190, 210, 220, 234, 244, and 282 nm), with good precision. Different arsenic species were detected in these samples with excellent background and signal‐to‐noise ratios demonstrating the robustness of the method. The detection limit, reproducibility, selectivity, accuracy, and dynamic range of the calibration curves were evaluated.
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) | 0,000 | 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 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 ».