Application of laser induced breakdown spectroscopy (LIBS) for detection of lead contaminants in water using wood sample substrates
Notice bibliographique
Résumé
Toxic heavy metals can be a significant risk to human health. Lead poisoning has been a recognized health hazard for more than 2000 years. Exposure can occur through drinking water, food, air, soil, and dust from old paint containing lead. Laser-induced breakdown spectroscopy (LIBS) is a powerful analytical technique to monitor heavy metals in all forms including aqueous solutions. Our goal is to develop a LIBS sampling technique for the measurement of heavy metal contaminants in water that has sufficient sensitivity to measure contamination at the allowable limit for drinking water (e.g. 15 ppb for lead). To perform fast and sensitive trace metal detection in aqueous solution with LIBS, a thin wood sample has been used as a liquid absorber to transform liquid sample analysis to solid sample analysis [1]. Initial studies have been carried out for lead in water. The plasma was generated by focusing Nd: YAG laser pulses with ~7 mJ energy at 1064nm on test samples in air. We also tried to further improve the sensitivity by carrying out experiments in argon gas in a sample chamber. The dependence of the elemental spectra on time delay and laser beam energy was also investigated. Initial results for lead in water indicate that a 3-sigma limit of detection (LOD) of the order of 10 ppb is achievable with a 1000 lasers shots, which is readily achievable with moderate repetition rate laser systems today. The experimental results will be presented and 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 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 ».