Effect of zero‐valent iron nanoparticles on the remediation of a clayish soil contaminated with γ‐hexachlorocyclohexane (lindane) in a bioelectrochemical slurry reactor
Notice bibliographique
Résumé
Abstract In this research we evaluated the effect of adding zero‐valent iron nanoparticles (ZVI‐NP) to a complete mix bioelectrochemical slurry reactors (BESR) on the remediation of a clayish soil with a high content of organic matter, contaminated with lindane. Five BESR were loaded with a clayish polluted soil (100 mg lindane/kg ds ), known concentrations of ZVI‐NP, liquid medium, and sulphate‐reducing inoculum to give a 33% w/v soil concentration. A one‐factor experimental design was used, where the effect of nanoparticles concentration [NP] on lindane removal efficiency ( η lin ) and other response variables were evaluated. The [NP] levels were 0.0 (background control with electrical connection, BCWC), 2.5 (Exp1), 5.0 (Exp2), and 7.5 gNP/kg ds (Exp3). Maximum η lin (95%) was attained in Exp2 (5 gNP/kg ds ). Beyond this level the η lin slightly decreased (Exp3 with 85% η lin .) Approximately 40%‐57% of lindane was removed in the first 24 hours during a rapid kinetics phase. No metabolites of lindane degradation were detected after 30 days of operation in all the BESR. Energy production increased with [NP]; Exp3 generated 4.3 MJ/tonne ds at 30 days, whereas the other treatments produced energy between 1.6 MJ/tonne ds ‐1.2 MJ/tonne ds . Bioelectrical energy could partially offset the requirements of BESR mixing energy. Overall performance evaluation using an ad hoc multicriteria framework indicated that BESR followed the order Exp2 > Exp3 > Exp1 ~ BCWC > ABCWOC (abiotic control without electrical connection). There was a significant, positive effect of the combined BESR and ZVI‐NP technology for the remediation of heavy soils contaminated with lindane.
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 ».