Facile one step green synthesis of iron nanoparticles using grape leaves extract: textile dye decolorization and wastewater treatment
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
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.
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 découle