Development of a Green Technology for Mercury Recycling from Spent Compact Fluorescent Lamps Using Iron Oxides Nanoparticles and Electrochemistry
Notice bibliographique
Résumé
The widespread use of energy efficient mercury containing lamps and impending regulations on the control of mercury emissions has necessitated the development of green mercury control technologies such as nanosorbent capture and electrolysis regeneration. Herein we describe a two-step green technique to remove and recycle mercury from spent compact fluorescent lamps (CFLs). The first element included the assessment of capture efficiencies of mercury vapor on magnetite (Fe 3 O 4 ) and maghemite (γ-Fe 2 O 3 ), naturally abundant and ubiquitous components of atmospheric dust particles. Around 60 μg of mercury vapor can be removed up to 90% by 1.0 g of magnetite nanoparticles, within a time scale of minutes. The second step included the development of an electrochemical system for the mercury recycling and regeneration of used nanoparticles. Under optimized conditions, up to 85% of mercury was recovered as elemental mercury. Postelectrolysis regenerated iron oxide nanoparticles were used in several sorption–electrolysis cycles without loss of the adsorption capacity, morphology, and surface area. The low energy usage for electrolysis can be supplied by the solar panels. The implications of our results within the context of green technology are herein discussed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».