Effectiveness of ozonation and catalytic ozonation (iron oxide) in the degradation of sunset yellow dye
Notice bibliographique
Résumé
Abstract Azo dyes present in industrial effluents represent a hurdle that regular treatments cannot overcome. In this study, the application of ozone and a catalytic (iron oxide) ozone treatment were proposed as a means of degrading aqueous sunset yellow dye. In order to understand the factors involved, a rotatable central composite design was applied using the variables time, initial dye concentration (C 0 ), pH, ozone inlet concentration (O 3 ), and mass of catalyst, which varied in each case. All variables were significant in colour removal. Extremes in pH, lower C 0 , and higher ozone concentrations are conditions that favour dye degradation. A complete colour loss occurred for certain combinations of these parameters. The application of iron oxide as a catalyst did not present a satisfactory improvement in the reaction rate. Chemical oxygen demand and total organic carbon showed minimum values of 80% and 78%, respectively, for the worst experimental conditions (pH 7.0, C 0 of 45 mg · L −1 , and 5 g O 3 · m −3 ), while their values were 88% and 83% for the best conditions applied. There was no immobilization of Artemia salina nauplii, even for the experimental run where the maximum concentration of dye of the set was used (45 mg dye · L −1 ). Ozonation is a promising alternative in the degradation of aqueous sunset yellow dye, being favoured in acidic or basic media, which is especially important since food effluents usually present low pH and show low toxicity. The mathematical model proposed can be useful in the design of wastewater treatment processes.
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 ».