MétaCan
Menu
Retour à la cohorte
Enregistrement W4409194069 · doi:10.1038/s41545-025-00460-8

Integrated emulsion separation and fog collection with functionalized Janus wood membrane for water scarcity solutions

2025· article· en· W4409194069 sur OpenAlexafffund
Kaiwen Chen, Jianyi Zhu, Cheng Hao, Haonan Zhang, Yujing Tan, Xianfu Xiao, Fengze Sun, Xuewen Han, Hui Peng, Tianyi Zhan, Jianxiong Lyu, Ning Yan

Notice bibliographique

Revuenpj Clean Water · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNational Key Research and Development Program of ChinaChina Scholarship CouncilGovernment of Jiangsu Province
Mots-clésJanusEmulsionWater scarcityScarcityMembraneEnvironmental scienceMaterials scienceChemical engineeringChemistryNanotechnologyEngineeringWater resourcesEcologyEconomicsBiology

Résumé

récupéré en direct d'OpenAlex

Global climate change has exacerbated water scarcity, while traditional water treatment technologies are often unsustainable due to high energy consumption and negative environmental impacts, posing an urgent need for a sustainable solution. This study developed a novel wood-based flexible Janus membrane coupled with a spine structure for efficient oil-water emulsion separation and fog harvesting. The Janus wood membrane showed high separation efficiency (> 99.6%), high filtration flux (water-in-oil and oil-in-water emulsions exceeded 810 L/m²·h and 747 L/m²·h, respectively), and good reusability. Additionally, the introduction of spine and conical pores significantly enhanced fog collection efficiency (19.23 kg/m²·h), expanding the application potential of Janus membranes. Moreover, this Janus wood membrane offered excellent mechanical properties, dimensional stability, mildew resistance, and environmental benefits. This study underscored the potential of Janus membranes in water management and liquid separation, providing a sustainable solution to water scarcity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,000
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,245
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuenpj Clean WaterMême sujetMembrane Separation TechnologiesTravaux en français237 207