Quantification of plutonium in nuclear, environmental, and biological samples: A review
Notice bibliographique
Résumé
• We reviewed analytical strategies to separate, purify, and quantify plutonium. • We described emerging microextraction and cloud point extraction techniques. • We compared the analytical performances of those techniques. • We assessed the simplicity, sustainability, and detection capacity of reviewed techniques. • We described isotopic fingerprinting to trace plutonium origins and behaviors. The measurement of plutonium (Pu) isotopes is a complex and crucial task for nuclear science, energy production, national security, and environmental monitoring. Determining the isotopic fingerprint of plutonium provides valuable insights into the origin and behavior of radioactive materials in various environments. However, this process presents several analytical challenges. The first challenge is to obtain measurable plutonium samples from complex environmental matrices, with methods such as liquid–liquid extraction, chromatography, cloud point extraction, and microextraction offering varying levels of effectiveness. The second challenge is to accurately detect plutonium isotopes, which have diverse radioactive properties, including different decay types, half-lives, and energies, without distorting isotopic signatures. Analytical techniques for plutonium measurement include radiometric methods like alpha spectrometry and liquid scintillation counting, and mass spectrometry methods (such as inductively coupled plasma mass spectrometry), which provide highly sensitive isotope identification. In this review, we examine various pretreatment techniques for sample preparation, explore methods for efficient plutonium extraction, and compare the precision and accuracy of various instrumental approaches in isotopic fingerprinting.
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) | 0,001 | 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) | 0,002 | 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 ».