Remediation of bio-refinery wastewater containing organic and inorganic toxic pollutants by adsorption onto chitosan-based magnetic nanosorbent
Notice bibliographique
Résumé
Abstract The novelty of the current study deals with the application of magnetic nanosorbent, chitosan-coated magnetic nanoparticles (cMNPs), to be utilized for the management of lignocellulosic bio-refinery wastewater (LBW) containing three heavy metals and 26 phenolic compounds. The magnetic property of the adsorbent, confirmed by elemental and vibrating sample magnetometer analysis (saturation magnetization of 26.96 emu/g), allows easy separation of the particles in the presence of an external magnetic field. At pH 6.0, with optimized adsorbent dosage of 2.0 g/L and 90 min contact time, maximum removal of phenol (46.2%), copper (42.2%), chromium (18.7%) and arsenic (2.44%) was observed. The extent of removal of phenolic compounds was in the order: polysubstituted > di-substituted > mono-substituted > cresol > phenol. Overall, the adsorption capacity (qe) of cMNPs varies among the different contaminants in the following manner: copper (1.03 mg/g), chromium (0.20 mg/g), arsenic (0.04 mg/g) and phenol (0.56 mg/g). Post-adsorption, retrieving the cMNPs using an external magnetic field followed by single-step desorption via acid–base treatment is attractive for implementation in industrial settings. Reusability of the adsorbent was studied by recycling the cMNPs for five consecutive rounds of adsorption followed by desorption, at the end of which, cMNPs retained 20% of their initial adsorption capacity.
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 | 0,003 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».