Quantifying the Effect of Basic Minerals on Acid- and Ligand-Promoted Dissolution Kinetics of Iron in Simulated Dark Atmospheric Aging of Dust and Coal Fly Ash Particles
Notice bibliographique
Résumé
The content and multiphase chemistry of iron (Fe) in multicomponent atmospheric aerosols are important to global climate and oceanic models. To date, reported dissolution rates of Fe span orders of magnitude with no quantifiable dependency on the content of basic minerals that coexist with Fe. Here, we report dissolution rates of Fe in simulated dark atmospheric aging of fully characterized multielement particles under acidic conditions (bulk pH 1 or 3) with and without oxalic acid and pyrocatechol. Our main findings are (a) the total amount of Ca and Mg was higher in coal fly ash than in Arizona test dust, (b) Fe dissolution initial rates increased exponentially with %Ca/Al and %Mg/Al below 50%, (c) a reduction in the Fe dissolution initial rate was observed with %Ca/Al higher than 50%, (d) reactive Ca and Mg minerals increased the calculated initial pH at the liquid/solid interface to values higher by only 1.5-2 units than the measured bulk pH, yet interfacial water remained acidic for Fe dissolution to take place, and (e) reactive Ca and Mg minerals enhanced the deprotonation of organics at the interface, aiding in ligand-promoted dissolution of Fe. The impact of these results is discussed within the context of constraining Fe dissolution kinetic models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».