An efficient biosorption‐based dispersive liquid‐liquid microextraction with extractant removal by magnetic nanoparticles for quantification of bisphenol A in water samples by gas chromatography‐mass spectrometry detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In this work, a simple, fast, sensitive, and environmentally friendly method was developed for preconcentration and quantitative measurement of bisphenol A in water samples using gas chromatography with mass spectrometry. The preconcentration approach, namely biosorption‐based dispersive liquid‐liquid microextraction with extractant removal by magnetic nanoparticles was performed based on the formation of microdroplet of rhamnolipid biosurfactant throughout the aqueous samples, which accelerates the mass transfer process between the extraction solvent and sample solution. The process is then followed by the application of magnetic nanoparticles for easy retrieval of the analyte‐containing extraction solvent. Several important variables were optimized comprehensively including type of disperser solvent and desorption solvent, rhamnolipid concentration, volume of disperser solvent, amount of magnetic nanoparticles, extraction time, desorption time, ionic strength, and sample pH. Under the optimized microextraction and gas chromatography with mass spectrometry conditions, the method demonstrated good linearity over the range of 0.5–500 µg/L with a coefficient of determination of R 2 = 0.9904, low limit of detection (0.15 µg/L) and limit of quantification (0.50 µg/L) of bisphenol A, good analyte recoveries (84–120%) and acceptable relative standard deviation (1.8–14.9%, n = 6). The proposed method was successfully applied to three environmental water samples, and bisphenol A was detected in all samples.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle