Behavior and characterization of titanium dioxide and silver nanoparticles in soils
Notice bibliographique
Résumé
The presence and transport of emerging Engineered Nano Particles (ENPs) in the environment is driven by combination of multiple factors comprising their size, charge and aggregation/agglomeration rate along with interactions with different soil types. Due to the complexity of the soil, it is difficult to associate an exact concentration with the possible transport pathways, interactions and transformation mechanisms. Major uncertainties arise with the increased number of extraction and filtration steps required for determining the exact toxicity doses of ENPs. Due to these issues, TiO2 and Ag behavior, characterization, transport, and environmental effects in soils are still not clear. In soils, TiO2 and Ag have been mainly reported to be present in the surroundings of point sources and are driven by their aggregation/agglomeration rate in combination with different soil types. TiO2 and Ag are mainly transported by interstitial water depending on their zeta-potential in the local soil. Along the transport route, TiO2 and Ag undergo alteration in dissolution, corrosion, redox reaction and coatings with the soil matrix. Their mobility is better across mineral soil in comparison to soil rich in organic colloids. The bioavailability gets modified and, in consequence, they are retained until complete degradation of the organic matrix. Depending on the soil matrix composition in terms of water content, minerals, and biological structure, the current most used methods for TiO2 and Ag characterization are FFFF and UV spectroscopy coupled with ICP-MS and LCMS/MS. The increased flux of TiO2 and Ag across soil is significant in understanding/accessing the viable threats, in particular their release affects the natural ecosystem.
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 | 0,001 | 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 | 0,001 |
| 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 ».