Enhanced Reactivity toward Oxidation by Water Vapor: Interactions of Toluene and NO<sub>2</sub> on Hydrated Magnetite Nanoparticles
Notice bibliographique
Résumé
In the atmosphere, water vapor affects the interaction of trace gases and particles, influencing key processes including cloud nucleation, radiation, and heterogeneous chemistry. In this study, the effect of water vapor on the reactions of toluene and NO 2 on magnetite, a component of atmospheric dust particles, is investigated using a suite of analytical techniques, namely, X-ray photoelectron spectroscopy (XPS) and time-of-flight secondary ion mass spectrometry (TOF SIMS). Adsorption isotherms show that water vapor reduces the adsorption of toluene on magnetite. XPS spectra reveal that exposure to water vapor results in limited dissociation and molecular adsorption of water, and partial oxidation of magnetite. When toluene is added, enhanced dissociation of water and oxidation of the magnetite surface are observed, strongly suggesting the importance of intermolecular interactions between water molecules and the interaction of toluene with the H-bonded network of adsorbed water. Upon addition of NO 2, enhanced oxidation and NO 3 are observed in XPS and TOF SIMS spectra, respectively. In contrast, on oxidized magnetite, less dissociation and sorption of water is observed, and no enhanced oxidation is observed. Our results show that hydrated magnetite surfaces inactive toward further water dissociation can be reactivated depending on the surface chemistry, due to Fe 2+ . We show that the effect of water vapor on the interaction of toluene and NO 2 on magnetite depends on the Fe 2+ /Fe 3+ ratio, which can vary under environmental conditions. Different reactivity of the Fe 3 O 4 in dust can thus be expected, with implications on the fate of pollutants in the atmosphere.
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 | 0,000 | 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 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 ».