Extraction of Silicon-Containing Nanoparticles from an Agricultural Soil for Analysis by Single Particle Sector Field and Time-of-Flight Inductively Coupled Plasma Mass Spectrometry
Notice bibliographique
Résumé
The increased use of silica and silicon-containing nanoparticles (Si-NP) in agricultural applications has stimulated interest in determining their potential migration in the environment and their uptake by living organisms. Understanding the fate and behavior of Si-NPs will require their accurate analysis and characterization in very complex environmental matrices. In this study, we investigated Si-NP analysis in soil using single-particle ICP-MS. A magnetic sector instrument was operated at medium resolution to overcome the impact of polyatomic interferences (e.g., 14N14N and 12C16O) on 28Si determinations. Consequently, a size detection limit of 29 ± 3 nm (diameter of spherical SiO2 NP) was achieved in Milli-Q water. Si-NP were extracted from agricultural soil using several extractants, including Ca(NO3)2, Mg(NO3)2, BaCl2, NaNO3, Na4P2O7, fulvic acid (FA) and Na2H2EDTA. The best extraction efficiency was found for Na4P2O7, for which the size distribution of Si-NP in the leachates was well preserved for at least one month. On the other hand, Ca(NO3)2, Mg(NO3)2 and BaCl2 were relatively less effective and generally led to particle agglomeration. A time-of-flight ICP-MS was also used to examine the nature of the extracted Si-NP on a single-particle basis. Aluminosilicates accounted for the greatest number of extracted NP (~46%), followed by NP where Si was the only detected metal (presumably SiO2, ~30%).
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 ».