MétaCan
Menu
Retour à la cohorte
Enregistrement W4295868309 · doi:10.14447/jnmes.v25i3.a08

Carboxymethyl Tamarind Kernel Gum /ZnO- Biocomposite: As an Antifungal and Hazardous Metal Removal Agent

2022· article· en· W4295868309 sur OpenAlexvenueno aff
Jagram Meena, Harish Chandra, Sudhir G. Warkar

Notice bibliographique

RevueJournal of New Materials for Electrochemical Systems · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueMedicinal Plants and Neuroprotection
Établissements canadiensnon disponible
Organismes subventionnairesDelhi Technological University
Mots-clésNanocompositeMaterials scienceFourier transform infrared spectroscopyBiocompositeNuclear chemistryTransmission electron microscopyScanning electron microscopeAdsorptionBiopolymerHigh-resolution transmission electron microscopyCarboxymethyl celluloseChemical engineeringComposite materialNanotechnologyChemistryMetallurgyOrganic chemistryPolymerComposite number

Résumé

récupéré en direct d'OpenAlex

ZnO nanoparticles (ZnO NPs) were in situ mixed with carboxymethyl tamarind kernel gum to generate the new biocomposite. High-resolution transmission electron microscopy (HR-TEM), field emission scanning electron microscopy (FE-SEM), Fourier transform infrared (FTIR), x-ray diffraction analysis (XRD), and dynamic light scattering (DLS)were used to characterize the CMTKG/ZnO nanocomposites. Numerous characterizations were utilized to prove that ZnO NPs had been integrated into the biopolymer matrix. The standard size of the CMTKG/ZnO nanocomposites was developed to be greater than 32–40 nm using high-resolution transmission electron microscopy and x-ray analysis de-Scherer methods. Chromium (VI) was removed from the aqueous solution using the nanocomposite (CMTKG/ZnO) as an adsorbent. The nanocomposite reached its maximum adsorption during 80 minutes of contact time, 30 mg/L chromium (VI) concentration, 2.0 g/L adsorbent part, and 7.0 pH. Further research into the antifungal activity of CMTKG/ZnO nanocomposites against Aspergillus flavus MTCC-2799 was conducted.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,079
Score d'incertitude au seuil0,645

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,277
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of New Materials for Electrochemical SystemsMême sujetMedicinal Plants and NeuroprotectionTravaux en français237 207