Nano-engineered 2D hBN-Based Materials for Environmental and Healthcare Applications
Notice bibliographique
Résumé
The critical state of access to clean water is jeopardizing our health. According to a Cambridge University report, approximately 50,000 tons of dyes are discharged into global water systems from textile industries. "The world bank estimates that at least 20% of water pollution originates from textile dyeing." On the other hand, tanker spills account for about 10 percent of the oil in waters around the world, and regular operations of the shipping industry contribute about onethird. Chemicals and heavy metals such as mercury, lead, nickel, cobalt, cadmium, sulphur and arsenic are the additional leading causes of contaminated water creating neurological damage in young children." What can be done to remove these detrimental contaminants from the water? In this thesis, we report an environmentally benign and cost-effective preparation method of new adsorbents using few-layers of 2D hexagonal boron nitride nanosheets (hBNNs) incorporated in various forms of adsorbent systems such as membranes or sponges either alone or biofunctionalized with the enzyme laccase toalsobiodegradetheadsorbed pollutantsafterremoving them. Dueto thepolarity of BN bonds, high surface area, nanosheet structure, and specifically hydrophobicity property of porous hBN nanosheets, they have been proven to have several advantages over existing technologies for organic pollutant removal and clean-up of oil spillage. These adsorbent materials were also modified in terms of their structure and functional groups to remove alternative
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».