The antibacterial and anticorrosion activity of sodium alginate-chitosan cryogels and hydrogels loaded with Satureja montana essential oil and Monarda didyma hydrolate
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study develops chitosan-alginate (CS/SA) cryogels incorporating Satureja montana essential oil (EO) and Monarda didyma hydrolate for antibacterial and anticorrosion applications. Cryogels with a CS:SA ratio of 3:1 achieved 78.7 % encapsulation efficiency (EE), driven by electrostatic interactions between chitosan's protonated amine (-NH 3 + ) and alginate's carboxyl (-COO - ) groups, forming a dense polyelectrolyte network that entraps EO (FTIR/SEM evidence). Structural analysis revealed alginate-enhanced porosity (50–200 μm pores) and EO-induced densification, critical for controlled release. The cryogels inhibited Staphylococcus aureus (58.8 ± 2.3 %) and Pseudomonas aeruginosa (41.7 ± 3.0 %) and suppressed corrosion-associated strains: acid-producing bacteria (APB, 91.92 ± 0.16 %) and thiosulfate-reducing bacteria (BTR, 97.76 ± 0.27 %). Hydrolate-EO synergy enhanced anticorrosion performance, with CS/SA (3:1) cryogels retaining 90 % zinc on steel surfaces. This work demonstrates a sustainable strategy for dual-functional coatings, leveraging natural extracts to address industrial and environmental challenges. • Synergistic use of chitosan-alginate in cryogelsenhances bioactivity and stability. • Novel combination of hydrolate and essential oil improves antibacterial performance. • Cryogels achieve 78.7 % essential oil encapsulation efficiency with reduced leakage. • Antibacterial efficacy demonstrated against S. aureus and P. aeruginosa. • Superior anticorrosion activity minimizes biofilm formation and metal degradation.
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.
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 découle