Separation, detection and characterisation of engineered nanoparticles in natural waters using hydrodynamic chromatography and multi-method detection (light scattering, analytical ultracentrifugation and single particle ICP-MS)
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
Environmental context The effects of engineered nanoparticles on the environment and on human health are difficult to evaluate largely because nanoparticles are so difficult to measure. The main problems are that concentrations are low and the engineered nanoparticles are often difficult to distinguish from the environmental matrices in which they are found. We report a separation technique that facilitates the detection of engineered nanoparticles in natural waters. Abstract Few analytical techniques are presently able to detect and quantify engineered nanoparticles (ENPs) in the environment. The major challenges result from the complex matrices of environmental samples and the low concentrations at which the ENPs are expected to be found. Separation techniques such as asymmetric flow field flow fractionation (AF4) and more recently, hydrodynamic chromatography (HDC) have been used to partly resolve ENPs from their complex environmental matrices. In this paper, HDC was first coupled to light scattering detectors in order to develop a method that would allow the separation and detection of ENPs spiked into a natural water. Size fractionated samples were characterised using off-line detectors including analytical ultracentrifugation (AUC), dynamic light scattering (DLS) and single particle inductively coupled plasma mass spectrometry (SP-ICP-MS). HDC was able to separate a complex mixture of polystyrene, silver and gold nanoparticles (radii of 60, 40, 20 and 10 nm) contained within a river water matrix. Furthermore, the feasibility of using HDC coupled to SP-ICP-MS was demonstrated by detecting 4 µg L–1 of a 20-nm (radius) nAg in a river water sample.
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