Influencing Factors in the Adsorption of Chlorpyrifos on Various Substrates: Insights into Adsorbents, Mechanisms and Efficiency
Notice bibliographique
Résumé
This narrative review examines recent advances in the adsorption of chlorpyrifos (CPF) from aqueous solutions, focusing on studies from the past decade. Significant progress has been made in developing high-performance adsorbents and optimising batch systems for single-contaminant removal. Solution pH consistently emerged as a critical factor, with optimal CPF adsorption typically occurring below neutral to just above the pKa of CPF pyridine ring (~3–4). Most studies used CPF concentrations relevant to industrial discharge, while nanogram-level concentrations typical of environmental contamination remain underexplored. Notable adsorption performance among carbon-based adsorbents was 132.0 mg/g in 10 min by a cellulose-derived carbon fibre. Among metal-organic frameworks, pAAm-g-XG/HKUST-1@Fe₃O₄ biopolymer reached 1708.7 mg/g in 15 min. The highest reported capacity was 1814.0 mg/g in 20 min using an amine-modified mesoporous silica SBA-15 hybrid composite. A promising emerging approach involved ultrasonic-assisted adsorption, which reduced equilibrium time from 50 to 10 min, highlighting the opportunity for further work into its scalability and performance in complex wastewaters. Detailed mechanistic studies reveal an interplay of hydrophobic interactions, electrostatic attraction, π-π stacking and hydrogen bonding. However, the depth of the study varied markedly among researchers. Desorption studies reported promising reusability (up to 10 cycles with <5% efficiency loss), but long-term impacts and the effects of real-world wastewater remain underexplored. Key gaps persist in thermodynamic analyses, detailed mechanistic elucidation, and the integration of statistical tools (e.g., response surface methodology) to enhance optimisation. Scalability is a significant challenge, with targeted research needed to address particle enlargement and structural modifications for industrial applications.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».