MétaCan
Menu
Retour à la cohorte
Enregistrement W2044209899 · doi:10.1081/ss-120003048

Extraction studies of platinum group metals with cyanex 925 in toluene—role of tin(II) chloride in their separation

2002· article· en· W2044209899 sur OpenAlexfundno aff
Ashok Mhaske, Purushottam Dhadke

Notice bibliographique

RevueSeparation Science and Technology · 2002
Typearticle
Langueen
DomaineEngineering
ThématiqueExtraction and Separation Processes
Établissements canadiensnon disponible
Organismes subventionnairesIndustry Canada
Mots-clésChemistryChlorideTinHydrochloric acidExtraction (chemistry)Metal ions in aqueous solutionStripping (fiber)Platinum groupMetalInorganic chemistryReagentPlatinumTolueneAqueous solutionNuclear chemistryCatalysisChromatography

Résumé

récupéré en direct d'OpenAlex

Extraction of platinum group metals Os(VIII), Ru(IV), and Ir(III) was carried out from aqueous chloride media with Cyanex 925 in the absence and in the presence of tin(II) chloride. In the presence of hydrochloric acid (HCl) alone, only Os(VIII) and Ru(IV) get extracted quantitatively, while extraction of Ir(III) was incomplete. Further, Os(VIII) could be extracted at lower concentrations of HCl and Ru(III) at higher concentrations (3.5–5.0 M). In the presence of tin(II) chloride, the extraction of Ir(III) increases and becomes quantitative. However, it decreases to some extent in the case of Os(VIII) and Ru(IV). The extraction conditions for all the metal ions were optimized under influence of variables such as HCl concentration, reagent concentration, tin(II)chloride concentration, equilibration time, stripping agents, and effect of diverse ions. The separation of individual metal ions Os(VIII), Ru(IV), and Ir(III) was carried out by taking advantage of differences in their extraction and stripping conditions towards Cyanex 925. The methods developed were applied to the recovery of these metal ions from some real catalysts samples.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,025
Tête enseignante GPT0,306
Écart entre enseignants0,281 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations12
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSeparation Science and TechnologyMême sujetExtraction and Separation ProcessesTravaux en français237 207