Novel banana peel/graphene oxide derived biosorbent for water purification
Notice bibliographique
Résumé
More than 100 million tons of banana peels are produced annually, and about 40 million banana peels (40% of total weight) remain greatly unused. Hence, exploring banana peels’ ability to clean contaminated water would bring an additional value to the current “waste” product. One of the most common aspects of water pollution currently is heavy metal contamination, which is particularly dangerous for humans due to its high toxicity. Banana peels contain a high concentration of carbohydrates, the two most abundant being cellulose and starch, which has multiple hydroxyl and carboxyl functional groups. Banana peels are an easily available and cost-effective adsorbent that can adsorb different kinds of heavy metal ions. This research primarily focuses on improving the current efficiency of this technique through the development of a banana peel/graphene oxide hybrid adsorbent. The cross-linking graphene oxide possess numerous hydroxyl, carbonyl, carboxyl, and epoxide functional groups that can be used to induce chemical reactions with banana peel carbohydrates, providing the graphene oxide with additional functional groups. This modification can potentially increase the adsorption capacity of banana peel derived adsorbents. It is evident through FTIR analysis that banana peel powder and graphene oxide have many functional groups of similar types. Thus, reactions can readily occur to combine the two substances. The TGA analysis of both compounds, however, indicates different patterns of thermal decomposition. Further thermal analysis is required for the hybrid adsorbent. After the development and characterization of this hybrid adsorbent, the next step is to complete a water purification analysis. In the future, banana peel/graphene oxide derived adsorbent may serve as a sustainable and efficient solution for water purification.
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 | 0,001 |
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 ».