Surface Nanodroplet-Based Extraction Combined with Offline Analytic Techniques for Chemical Detection and Quantification
Notice bibliographique
Résumé
Liquid–liquid extraction based on surface nanodroplets can be a green and sustainable technique to extract and concentrate analytes from a sample flow. However, because of the extremely small volume of each droplet (<10 fL, tens of micrometers in base radius and a few or less than 1 μm in height), only a few in situ analytical techniques, such as surface-enhanced Raman spectroscopy, were applicable for the online detection and analysis based on nanodroplet extraction. To demonstrate the versatility of surface nanodroplet-based extraction, in this work, the formation of octanol surface nanodroplets and extraction were performed inside a 3 m Teflon capillary tube. After extraction, surface nanodroplets were collected by injecting air into the tube, by which the contact line of surface droplets was collected by the capillary force. As the capillary allows for the formation of ∼1012 surface nanodroplets on the capillary wall, ≥2 mL of octanol can be collected after extraction. The volume of the collected octanol was enough for the analysis of offline analytical techniques such as UV–vis, GC-MS, and others. Coupled with UV–vis, reliable extraction and detection of two common water pollutants, triclosan and chlorpyrifos, was shown by a linear relationship between the analyte concentration in the sample solution and UV–vis absorbance. Moreover, the limit of detection (LOD) as low as 2 × 10–9 M for triclosan (∼0.58 μg/L) and 3 × 10–9 M for chlorpyrifos (∼1.05 μg/L) could be achieved. The collected surface droplets were also analyzed via gas chromatography (GC) and fluorescence microscopy. Our work shows that surface nanodroplet extraction may potentially streamline the process in sample pretreatment for sensitive chemical detection and quantification by using common analytic tools.
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 ».