Effect of chemical species and temperature on the stability of air nanobubbles
Notice bibliographique
Résumé
Abstract The colloidal stability of air nanobubbles (NBs) was studied at different temperatures (0–30 °C) and in the presence of sulfates, typically found in mining effluents, in a wide range of Na 2 SO 4 concentrations (0.001 to 1 M), along with the effect of surfactants (sodium dodecyl sulfate), chloride salts (NaCl), and acid/base reagents at a pH range from 4 to 9. Using a nanobubble generator based on hydrodynamic cavitation, 1.2 × 10 8 bubbles/mL with a typical radius of 84.66 ± 7.88 nm were generated in deionized water. Multiple evidence is provided to prove their presence in suspension, including the Tyndall effect, dynamic light scattering, and nanoparticle size analysis. Zeta potential measurements revealed that NBs are negatively charged even after two months (from − 19.48 ± 1.89 to − 10.13 ± 1.71 mV), suggesting that their stability is due to the negative charge on their surface. NBs were found to be more stable in alkaline solutions compared to acidic ones. Further, low amounts of both chloride and sulfate dissolved salts led to a reduction of the size of NBs. However, when high amounts of dissolved salts are present, NBs are more likely to coalesce, and their size to be increased. Finally, the investigation of the stability of air NBs at low temperatures revealed a non-monotonic relationship between temperature and NBs upon considering water self-ionization and ion mobility. This research aims to open a new frontier towards the application of the highly innovative NBs technology on the treatment of mining, mineral, and metal processing effluents, which are challenging aqueous solutions containing chloride and sulfate species.
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 | 0,002 | 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 | 0,001 |
| 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 ».