Facile one step green synthesis of iron nanoparticles using grape leaves extract: textile dye decolorization and wastewater treatment
Notice bibliographique
Résumé
The existing knowledge on the reactivity of green iron particles on textile dye and wastewater decolorization is very limited. In this study, the potential of green iron particles synthesized using grape leaves extract on reactive dye (reactive red 195, reactive yellow 145, reactive blue 4 and reactive black 5) decolorization were investigated. 95-98% of decolorization was achieved for all reactive dyes at 1.4-2.0 g/L of green iron. Maximum decolorization was attained at lower dye concentration and showed very little impact on decolorization when pH was increased from 3 to 11. The pseudo-first-order fit confirms the reaction between iron particles and dye molecules with rate constant 0.317-0.422 and it is followed by adsorption, data fit with pseudo-second-order model. Hence, not only adsorption but also the reduction process is involved in the reactive dye decolorization. Benzene, phenyl sodium, 2-chloro-1,3,5-triazine, naphthalene, sodium benzene sulfonate, benzene 1,2 di amine, anthracene-9,10 dione, aniline, phenol, benzene sulfonic acid were the major intermediates detected in dye decolorization and the respective reaction pathway is proposed. Green iron from grape leaves extract demonstrated better performance and it is recognized as the promising cost-effective material for textile wastewater treatment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».