Effect of organic surfactant TRITON CG-110 on bioleaching of chalcopyrite
Notice bibliographique
Résumé
Chalcopyrite leaching in acidic solutions is often hindered by slow kinetics due to surface passivation, which reduces copper leaching efficiency. This study explored the effects of Triton CG-110, a non-ionic surfactant, on chalcopyrite bioleaching facilitated by mesophilic acidophilic bacteria. Bio-oxidation experiments demonstrated that bacterial metabolism was enhanced with the addition of CG-110; at a concentration of 20 ppm, the oxidation of Fe 2+ to Fe 3+ was accelerated, indicating improved bacterial activity. However, at concentrations exceeding 500 ppm, CG-110 inhibited bacterial metabolism, highlighting the importance of optimizing surfactant dosage to maximize chalcopyrite dissolution. The addition of 20 ppm CG-110 enhanced leaching efficiency by altering the surface wetting properties, which increased the interaction between ferric ions and the chalcopyrite surface, thereby improving the copper leaching rate. This surfactant also reduced the impact of surface passivation by promoting greater contact between ferric ions and the mineral surface, facilitating copper dissolution. Electrochemical analysis revealed that CG-110 improved charge transfer at higher potentials without participating in chemical oxidation, thus enhancing anodic activity. Surface analysis using X-ray photoelectron spectroscopy (XPS) showed a decrease in elemental sulfur accumulation—a key contributor to passivation—on the chalcopyrite surface in the presence of CG-110. Additionally, 16S rRNA sequencing showed that CG-110 influenced microbial community shifts, increasing the relative abundance of bacteria associated with enhanced sulfate formation and reduced elemental sulfur accumulation, favoring bioleaching conditions.
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 | 0,000 |
| 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 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 ».