Synthesis of Biogenic Silver Nanocatalyst and their Antibacterial and Organic Pollutants Reduction Ability
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Plant-mediated nanoparticles are gaining popularity due to biologically active secondary metabolites that aid in green synthesis. This study describes a simple, environmentally friendly, dependable, and cost-effective production of silver nanoparticles utilizing Cucumis sativus and Aloe vera aqueous leaf extracts. The aqueous leaf extracts of Cucumis sativus and Aloe vera, which worked as a reducing and capping agent, were used to biosynthesize silver nanoparticles (AgNPs). The formation of surface plasmon resonance peaks at 403 and 405 nm corresponds to the formation of colloidal Ag nanoparticles. Similarly, the Bragg reflection peaks in X-ray diffraction patterns observed at 2θ values of 38.01°, 43.98°, 64.24°, and 77.12° representing the planes of [111], [200], [220], and [311] correspond to the face-centered cubic crystal structure of silver nanoparticles. Fourier transform infrared spectroscopy confirms that bioactive chemicals are responsible for the capping of biogenic silver nanoparticles. The size, structure, and morphology of AgNPs with diameters ranging from 8 to 15 nm were examined using transmission electron microscopy. Water contamination by azo dyes and nitrophenols is becoming a more significant threat every day. The catalytic breakdown of organic azo dye methyl orange (MO) and the conversion of para -nitrophenol (PNP) into para -aminophenol using sodium borohydride was evaluated using the prepared biogenic nanoparticles. Our nanoparticles showed excellent reduction ability against PNP and MO with rate constants of 1.51 × 10 –3 and 6.03 × 10 –4 s –1, respectively. The antibacterial activity of the nanomaterials was also tested against four bacteria: Staphylococcus aureus, Klebsiella pneumoniae, Enterobacter, and Streptococcus pneumoniae . These biogenic AgNPs displayed effective catalytic and antibacterial characteristics by reducing MO and PNP and decreasing bacterial growth.
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 ».