Green Recycling of Goethite and Gypsum Residues in Hydrometallurgy with α-Fe<sub>3</sub>O<sub>4</sub> and γ-Fe<sub>2</sub>O<sub>3</sub> Nanoparticles: Application, Characterization, and DFT Calculation
Notice bibliographique
Résumé
Millions of tons of hazardous iron oxide residues are produced during the iron purification process of sulfuric acid leaching solutions in the nonferrous metals hydrometallurgy industry per year. The generated iron oxide residues, which mainly contain goethite and gypsum precipitates, pose great threats to the local ecological environment and human health. We proposed a novel method, separation and recovery of goethite and gypsum by the synthetic magnetic nanoparticles (MNPs) such as α-Fe3O4 and γ-Fe2O3, to treat the residues efficiently and cost-effectively. MNPs served as the magnetic crystal nuclei of the goethite precipitates during the iron purification process, and the goethite and gypsum precipitates formed under this condition can be separated in a magnetic field for recycling purposes. The separation efficiency of the goethite and gypsum precipitates was much higher when γ-Fe2O3 was used as the crystal nuclei, indicating that the surface of γ-Fe2O3 was more favorable for the formation of goethite particles than α-Fe3O4, which has also been verified by SEM, FBRM, XRD, TEM, and XPS analysis. DFT calculations suggested that the binding energy between the MNPs and iron hydroxide plays a critical role and is responsible for the distinguished collecting efficiencies of α-Fe3O4 and γ-Fe2O3 toward goethite.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».