Experimental, Machine-Learning, and Computational Studies of the Sequestration of Pharmaceutical Mixtures Using Lignin-Derived Magnetic Activated Carbon
Notice bibliographique
Résumé
Pharmaceutical pollutants pose significant risks to human health and aquatic ecosystems. This study investigates lignin-derived magnetic carbon composite (L-MAC) for removing atenolol (ATN), carbamazepine (CBZ), diclofenac (DCF), and sulfamethoxazole (SMZ) from aqueous media. Characterization of L-MAC’s physicochemical properties, along with isotherm and kinetic studies, revealed that the Langmuir and pseudo-second-order models best describe sorbent–sorbate interactions, with maximum adsorption capacities ranging from 11.30 to 27.97 mg/g. The adsorption efficiency followed the order ATN < SMZ < CBZ < DCF, achieving over 99% removal under optimal conditions of 1–4 h contact time and pH 2–7. Strong π–π interactions, hydrogen bonding, and chemisorption contributed to sorption irreversibility. Artificial intelligence models predicted a material performance with high accuracy. The adaptive neuro-fuzzy inference system model outperformed others, achieving error coefficients of 5.745, 3.125, and 11.085 during training and 6.123, 4.974, and 12.456 during testing. Density functional theory analysis examined reactivity and binding strength using descriptors like HOMO–LUMO energy gaps. DCF showed the highest electron-donor capacity, followed by CBZ, ATN, and SMZ, confirming L-MAC’s high efficacy in removing pharmaceuticals. This study demonstrates L-MAC’s robustness for the adsorptive removal of contaminant mixtures.
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) | 0,000 | 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 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 ».