Détection et caractérisation de nanoparticules d’oxyde de zinc par spectrométrie de masse à plasma inductif en mode particule unique (single-particle ICPMS)
Notice bibliographique
Résumé
Les nanoparticules d’oxyde de zinc (ZnO NP) sont parmi les plus utilisées en industrie. Leur production croissante dans divers secteurs comme les cosmétiques et l’agriculture mène inévitablement à une augmentation de leur présence dans l’environnement, alors que leur risque écologique et leur persistance y sont méconnus. Cette problématique est en partie causée par les faibles concentrations auxquelles elles s’y trouvent, souvent inférieures aux limites de détection des méthodes analytiques classiques. Ainsi, le développement d’une méthode sensible et sélective, telle que la spectrométrie de masse à plasma inductif en mode particule unique (SP-ICPMS), est nécessaire. En permettant la détection une à une de particules métalliques à des concentrations de l’ordre des ng L-1, la SP-ICPMS est prometteuse pour la caractérisation des nanomatériaux (NM) métalliques en milieu aqueux. Toutefois, son utilisation est limitée pour les métaux qui, comme le zinc, se dissolvent rapidement, ou dont la concentration ionique est grande en solution car la limite de détection en taille est alors plus élevée. Lors de ces travaux, une résine échangeuse d’ions a été couplée avec la SP-ICPMS afin de retirer les Zn2+ et ses complexes labiles présents en solution avant l’analyse des suspensions de ZnO NP. Cette technique a été adaptée avec succès sur un instrument ICPMS de grande sensibilité, permettant de diminuer la limite de détection en taille de ZnO NP de 32 à 8,2 nm dans l’eau déionisée. Pour tester la méthode en milieu naturel, des ZnO NP ont été ajoutées à une eau de rivière et leur distribution de taille ainsi que leur concentration ont été analysées. Après 24 h, les particules ajoutées étaient plus stables dans l’eau de rivière qu’elles ne l’étaient dans l’eau déionisée, probablement en raison de son pH plus élevé. De même, la méthode développée a permis l’analyse de colloïdes naturels contenant du zinc et du cuivre dans une eau de rivière et dans une eau de pluie. La stabilité des particules dans ce milieu a par ailleurs été suivie pendant un mois, durant lequel le contenu métallique de ces particules ne s’est que légèrement dissous.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».