Remediation of organic contaminated soil by Fe-based nanoparticles and surfactants: a review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Surfactants and nanoparticles have been effectively used for environmental remediation for many years. Over the years, various methods have been developed to synthesize nanoparticles using different surfactants to obtain a s higher treatment efficiency for organic contaminated soil. Compared to conventional remediation methods, the in-situ remediation technique provides advantages, such as being more eco-friendly and cost-effective. This review provides an overview of the remediation of organic contaminated soil using surfactant-stabilized Fe-based nanoparticles, mostly surfactant-stabilized nanoscale zero-valent iron (nZVI). In addition, the use of other stabilizers and the mechanisms of stabilization are discussed. The combination of surfactants and Fe-based nanoparticles can be effectively used to remediate organic contaminants from soil, such as trichloroethylene (up to 99%), polychlorinated biphenyls (up to 80%), perchloroethylene (up to 93%). The treatment efficiency organic contaminants in soil by surfactant-stabilized nanoparticles is higher than only surfactant (less than 90%) or nanoparticles (less than 80%) due to the synergistic effects between surfactants and nanoparticles. This technique is generally more effective to use as a strong reductant, such as reductive dehalogenation or reductive immobilization of metals, while less cost-effective as an adsorbent. In addition, the remediation rate depends on various factors, such as pH, temperature, natural organic matter, ionic strength, type and concentration of stabilizers, site characteristics, contaminant features, nanoparticle and surfactant properties. However, short lifetimes or potential toxicity of nanoparticles are some limitations of this technique.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle