Emerging technologies for selenium separation and recovery from aqueous systems: A review for sustainable management strategy
Notice bibliographique
Résumé
Abstract Selenium (Se) is known both as an essential micronutrient for human health as well as a toxic element when consumed in excess. This work endeavours to critically review the existing selenium literature over the period 1980–2021, following a systematic sub‐classification into the domains of occurrence, speciation, and existing conventional and advanced technologies, while directing further research towards emerging integrated sustainable recovery strategies. The review reveals that the majority of the conventional and advanced separation techniques eventually lead to secondary pollution rather than offering a complete solution, whereas resource recovery studies from water are very scant. Some of the techniques, being miserably slow, cannot be applied in the situations of the occurrence of excess selenium in drinking water, posing a serious threat to human health. Research efforts have so far been directed mainly at the removal of selenium rather than recovery through processes that have the potential of turning selenium abatement technology into a sustainable one with value addition. Emerging integrated technologies involving resource recovery from waste streams or generated sludge such as physicochemical technologies, biochemical reduction, electro‐biological reduction, and membrane‐based hybrid technologies are presently at a very early development stage. Moreover, the application of studies where Se nanoparticles (SeNPs) ormetal selenides are obtained is very limited, which may be attributed to the particle size, purity, morphology, and challenges involved in their separation. This review evaluates the challenges in separation and resource recovery from contaminated streams and points future research in a new direction.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».