Screening of parameters and optimization of nickel extraction by green emulsion liquid membrane using statistical experimental design
Notice bibliographique
Résumé
Abstract This study focuses on the extraction of nickel ions from an aqueous solution using a green emulsion liquid membrane (GELM). Its primary objective is to choose between corn oil and sunflower oil as a solvent in GELM and compare their performance with a kerosene‐based emulsion liquid membrane (ELM). The membrane phase was made by dissolving the carrier (D2EHPA) and the surfactant (tween 80), in the solvents. Subsequently, the membrane was emulsified with the stripping agent (sulphuric acid) to produce the GELM. A Plackett–Burman design was employed to determine the key parameters influencing nickel extraction. Among the considered parameters, treatment ratio, surfactant concentration, carrier concentration, and stripping agent concentrations were identified as the significant factors affecting nickel extraction. Parameters such as stirring speed and time, external phase pH, and phase ratio were found to be non‐significant and were kept constant. The central composite design method was employed to determine the optimum value of the key parameters. Under the optimal conditions, 98.1% of the nickel ions were successfully extracted. The feasibility of recycling the membrane phase was examined, and the performance of GELMs prepared using both fresh and recovered membrane phases was analyzed. The experimental results showed that the extraction efficiency decreased by 1.02% and 7.99% after two membrane recycling cycles, which was still within the acceptable range.
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 | 0,008 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».