MétaCan
Menu
Retour à la cohorte
Enregistrement W2754890348 · doi:10.4028/www.scientific.net/jnanor.49.149

Facile Synthesis of Chitosan Modified Fe<sub>3</sub>O<sub>4</sub> Magnetic Nanoparticles for Azo Dye Amido Black 10B Adsorption

2017· article· en· W2754890348 sur OpenAlexaff
Wan Jia, Dong Tao Lu, Shao Min Shuang, Jun Yang, Chuan Dong

Notice bibliographique

RevueJournal of nano research · 2017
Typearticle
Langueen
DomaineChemistry
ThématiqueNanomaterials for catalytic reactions
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésAdsorptionFreundlich equationMaterials scienceNuclear chemistryFourier transform infrared spectroscopyChitosanNanoparticleHydrothermal circulationDesorptionMagnetic nanoparticlesChemical engineeringChemistryNanotechnologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Magnetic chitosan nanoparticles (Fe3O4-CS MNPs) were synthesized by an improved one-pot hydrothermal method and applied for azo dye amido black 10B adsorption. The Fe3O4-CS MNPs were characterized by SEM, TEM, DLS, XRD, FTIR, TGA and VSM. The adsorptive behavior of amido black 10B on Fe3O4-CS MNPs was investigated using the UV-vis specteophotometric technique and the affecting parameters including solution pH, contact time, amido black 10B concentration and Fe3O4-CS MNPs amount were examined. The adsorption process followed the pseudo-second-order kinetic model. The adsorption equilibrium data fitted well with the Freundlich isotherm model with the saturated adsorption capacity of 124.8 mg/g at pH=2.0. The desorption experiment could be carried out using NaOH with the recovery of 91.78%. After five cycles, adsorption efficiency still reached 83.24%. The results showed that Fe3O4-CS MNPs possessed a simple synthesis route and excellent reusability, which have potential application in the adsorption of azo dye in environmental effluents.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,324
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of nano researchMême sujetNanomaterials for catalytic reactionsTravaux en français237 207