Soybean Peroxidase-Catalyzed Oxidative Polymerization of Phenols in Coal-Tar Wastewater: Comparison of Additives
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
Soybean peroxidase (SBP), as a crude extract from soybean seed coats, was applied to remove 15 mM of phenols from coal-tar wastewater. The enzyme required for the conversion of phenols in coal-tar wastewater was less than that predicted by studies with synthetic wastewater. Step additions of both SBP and hydrogen peroxide reduced the SBP concentration requirement for >95% conversion of phenol. Polyethylene glycol (PEG) showed no improvement on the conversion efficiency, whereas sodium dodecyl sulfate (SDS) showed significant improvement that was better than step addition. Corroborative studies with synthetic wastewater have shown that Triton X-100 enabled the lowest SBP concentration for 95% conversion of 1.0 mM phenol followed by SDS, sodium dodecylbenzenesulfonate, and then PEG. Most significantly, evidence suggests that the anionic surfactants, SDS and sodium dodecylbenzenesulfonate, do not work in the same way as nonionic Triton X-100 or as PEG. Aluminum hydroxide gel (alum) was investigated for removal of polymeric colored products and surfactants after enzymatic reaction. The originality of this work lies, first, in the application of SBP to real industrial wastewater, with its catalytic lifetime extended by the presence of surfactant, and second, the picture that is emerging from the differences in mechanism by which various surfactant types and PEG effect such an enhancement. The impact of these new insights with surfactants is to enable SBP-based treatment to reach cost-effectiveness for industrial streams of the type studied here.
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