Green Nanoengineered Keratin Derived Bio‐Adsorbent for Heavy Metals Removal from Aqueous Media
Notice bibliographique
Résumé
Abstract Exploiting poultry chicken feathers, a keratin‐rich by‐product offers a sustainable raw material for bio‐adsorbents in water remediation. This study developed a bio‐adsorbent from chicken feathers keratin (CFK), functionalized with surface‐modified graphene oxide (SMGO). The bio‐adsorbent was tested for adsorbing metal cations (Pb, Cd, Ni, Zn, Co) and oxyanions (As, Se, Cr) from water contaminated with 600 µg/L of each metal at pH 5.5, 7.5, and 10.5. Results showed optimal removal efficiencies at pH 7.5, with anions achieving ≥91.10% for As (III), ≥89.55% for Cr (VI), and ≥74.33% for Se (IV). Cations removal reached 96.34% for Co (II), 97.36% for Ni (II), 99.03% for Cd (II), 99.21% for Pb (II), and 59.06% for Zn (II). Kinetic studies indicated rapid initial uptake within the first 6 hours, reaching equilibrium at 24 hours. The bio‐adsorbent maintained high adsorption capacities over four regeneration cycles with minimal efficiency loss, showing strong stability and reusability. Removal efficiency followed the order: Pb (II) 〉 Cd (II) 〉 Ni (II) 〉 Co (II) 〉 Zn (II), correlating with their ionic radii. Ni 2+ adsorbed more effectively than Co 2+ due to a smaller ionic radius and stronger electrostatic attraction. These findings highlight CFK‐SMGO's efficacy in wastewater treatment, promoting bio‐based sustainable adsorbents.
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 ».