Preparation of highly smooth nanofiltration membranes based on lignin nanoparticle hydrogels and study of interfacial mechanism
Notice bibliographique
Résumé
Limited by the synthetic materials, traditional nanofiltration membranes have always suffered from high surface roughness due to the fast interfacial polymerization rate and the interfacial perturbation during the preparation process. Herein, a method for developing lignin nanoparticle hydrogels to replace traditional aqueous phase materials is proposed, synchronizing interfacial polymerization rate modulation and interfacial stabilization enhancement for the preparation of smooth and anti-fouling nanofiltration membranes. The surface, structural and performance of the fabricated membrane were evaluated comprehensively and compared. The atomic force microscope analysis revealed that the surface roughness of prepared membrane decreased by 63 % (Ra = 34.3 nm), while SEM analysis confirmed its thinner filtering interface (46 nm) when lignin nanoparticle-based hydrogel was incorporated into NF membrane. The surface of the fabricated membrane presented –23.67 mV zeta potential and 36.85° contact angle, also implying better anti-fouling property. Thanks to these characteristics, the developed membranes exhibited a higher fouling resistance and flux recovery ratio (FRR, 95.4 %). In addition, the mechanical strength of the prepared membranes was improved by 45 %. The density functional theory (DFT) further confirmed that the binding energy of lignin and 1,3,5-benzenetricarbonyl trichloride (TMC) was −8.92 kcal · mol −1 , which was lower than that of conventional nanofiltration membranes, facilitating the mild and controllable reaction that benefited the thin and smooth surface on the NF membrane. This study provided a new technique for fabricating a more sustainable NF membrane with improved mechanical strength, surface smoothness.
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 | 0,001 |
| 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 ».