Removal of Zn, Pb, and Ni heavy metals from aqueous system using efficient modified-banana peel adsorbent
Notice bibliographique
Résumé
Heavy metals contamination of water is a serious and complex environmental problem due to rapid industrialization, bioaccumulation and non-degradability. Therefore, the reuse of agricultural waste in the process of purifying water from pollutants is an attractive and promising method. Almost inexpensive materials are used to purify water, thus achieving the desired economic and environmental goal. In this study banana peel (BP) was used before and after modification by 0.1M sulphuric acid (H2SO4) to enhance the removal of Zinc Zn(II), Lead Pb(II) and Nickel Ni(II). The effect of various parameters was studied Such as pH, contact time, adsorbent dosage and initial metal ion concentration at 5 ppm. All these parameters were studied in batch experiments for a comparative study. The removal percentage was found to be 84% Zn (II),78%Pb (II) and 72% Ni (II) before modification and 92% Zn (II) , 94% Pb (II) and 96% Ni (II) after modification at initial concentration of 5 ppm. The data obtained from sorption isotherms were described with Langmuir and Freundlich isotherm models but were found to be well fitted for the Langmuir model. The correlation coefficient values R2 for Langmuir were at the range (0.996-0.999) while that for Freundlich were at the range (0.912-0.972). The rate of adsorption follows Pseudo-second-order kinetics. This work proved the high banana peels efficiency as an adsorbent agent for heavy metals removal from aqueous solutions.
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) | 0,001 | 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 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 ».