Data on removal kinetics of pharmaceutical compounds, artificial sweeteners, and perfluoroalkyl substances from water using a passive treatment system containing zero-valent iron and biochar
Notice bibliographique
Résumé
The data presented in this paper relate to the research paper “Removal of pharmaceutical compounds, artificial sweeteners, and perfluoroalkyl substances from water using a passive treatment system containing zero-valent iron and biochar” [1]. Four columns packed with different ratios of reactive media, including silica sand (SS), zero-valent iron (ZVI), and biochar (BC), were evaluated for simultaneous removal of 14 emerging contaminants from water. The target emerging contaminants included eight pharmaceuticals (carbamazepine, caffeine, sulfamethoxazole, 3,4-methylenedioxyamphetamine, 3,4-methylenedioxymethamphetamine, ibuprofen, gemfibrozil, and naproxen), four artificial sweeteners (acesulfame-K, sucralose, saccharin, and cyclamate), and two perfluoroalkyl substances (perfluorooctanoic acid and perfluorooctane sulfonic acid). The samples for target contaminant analysis were collected from the influent, effluent, and profile (along the flow direction) ports of each column. The removal data (concentration vs. residence time) for each target contaminant were fitted to the first-order (exponential decay equation) or zero-order (linear equation) model using SigmaPlot. The removal rate, removal rate constant (kobs), mass normalized rate constant (kM), surface area normalized rate constant (kSA, specific reaction rate constant), and half-life (t0.5) of target contaminants in Columns ZVI, BC, and (ZVI + BC) were calculated and summarized in this dataset.
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 ».