Microbial Purification in Well-Water Using UV-Vis LEDs and Monitoring Using Laser-Induced Fluorescence
Notice bibliographique
Résumé
Well-water contaminated by microbial bacteria has been purified using LEDs radiating in the ultra-violet and visible spectral regions. The contaminated water sample was exposed to the LEDs in specially constructed chambers and the purification process carried on for 3 days. The efficiency of the process was determined using a 445 nm diode laser to induce fluorescence (LIF) and the monitoring of coliform bacteria count (Total coliform, Fecal coliform and Escherichia coli) as well as Total Heterotrophic Bacteria (THB). The LIF peak fluorescence intensities at 526 nm (Raman water peak) and dissolved organic matter fluorescence intensity at 550 nm were determined. Using the fluorescence intensity of purified drinking water as reference, a fluorescence intensity ratio was calculated. A decrease in this ratio with time, at the two wavelengths indicated a proof of purification. Using the values of the slopes, the red and green LEDs proved most efficient while the UV was the least. From the counts of coliform bacteria and THB, the light sources registered zero after the first day of purification, but counts were recorded thereafter for some of the bacterial for some light sources. This may be attributable to bio-films formation on internal surfaces of the purification chamber due to excessive temperatures. A reduction in fluorescence intensity observed in the sample stored in dark environment could be attributed to the stationary and logarithmic-decline phases of the growth curve of bacterial population. This purification technique is inexpensive and can easily be adapted for domestic water purification for reducing waterborne bacteria.
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 ».