Application of Functionalized Fe<sub>3</sub>O<sub>4</sub> Magnetic Nanoparticles Using CTAB and SDS for Oil Separation from Oil-in-Water Nanoemulsions
Notice bibliographique
Résumé
Using magnetic nanoparticles (MNPs) for emulsified oil separation from wastewater is becoming increasingly widespread. This study aims to synthesize MNPs using amphiphilic coatings to stabilize the MNPs and prevent their agglomeration for efficiently breaking oil-in-water nanoemulsions. We coat two different sizes of Fe 3 O 4 nanoparticles (15–20 and 50–100 nm) using cetyltrimethylammonium bromide (CTAB) and sodium dodecyl sulfate (SDS) with surfactant-to-MNP mass ratios of 0.4 and 0.8. We study the effect of various variables on the demulsification performance, including the MNP size and concentration, coating materials, and MNP loading. Based on the oil–water separation analysis, the smaller size MNPs (MNP-S) show a better demulsification performance than the larger ones (MNP-L ) for a 1000 ppm dodecane-in-water emulsion containing nanosized oil droplets (250–300 nm). For smaller MNPs (MNP-S) and at low dosage level of 0.5 g/L, functionalizing with surfactant-to-MNP mass ratio of 0.4, the functionalization increases the separation efficiency (SE) from 57.5% for bare MNP-S to 86.1% and 99.8 for the SDS and CTAB coatings, respectively. The highest SE for MNP-S@CTAB and the zeta potential measurements imply that electrostatic attraction between negatively charged oil droplets (−55.9 ± 2.44 mV) and positively charged MNP-S@CTAB (+35.8 ± 0.34 mV) is the major contributor to a high SE. Furthermore, the reusability tests for MNP-S@CTAB reveal that after 10 cycles, the amount of oil adsorption capacity decreases slightly, from 20 to 19 mg/g, indicating an excellent stability of synthesized nanoparticles. In conclusion, functionalized MNPs with tailored functional groups feature a high oil SE that could be effectively used for oil separation from emulsified oily wastewater streams.
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 ».