Silver and zinc oxide nanoparticle disinfection in water treatment applications: synergy and water quality influences
Notice bibliographique
Résumé
Abstract The synergistic potential of silver and zinc oxide nanoparticles for water disinfection was investigated herein. By causing cell death through membrane interactions, oxidative killing, and DNA deactivation, metallic nanoparticles may be integrated with point-of-use water treatment systems for applications in rural and remote geographies. Disinfection efficacy was evaluated in batch-phase experiments under both synthetic and real water conditions, where synthetic water was varied by pH and dissolved oxygen levels. Ceramic pot filters with comparative nanoparticle concentrations were also investigated. In all cases, combinations of silver and zinc nanoparticles resulted in improved disinfection in comparison to either metal in isolation. In batch experiments, dissolved oxygen proved to be particularly impactful, with kinetic rates reducing approximately 45% when in low oxygen environment (<3 mg/L) versus high oxygen (>8 mg/L). Log removal values (LRVs) were further, on average, 31% lower in real water than synthetic water after 300 min, though silver–zinc combinations were still superior to either metal alone. In filters, those impregnated with 67% silver and 33% zinc achieved average LRVs of 2.7 and 2.9 after 60 min of filtration and 24 h of storage, respectively, while those with only silver achieved average LRVs of 2.0 and 3.1 at those same times.
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 | 0,001 | 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 ».