Green synthesized AgNPs@MSNs reinforced polycaprolactone nanofibers for removal of heavy metals, bacteria, and methylene blue dye from industrial wastewater
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 aims to find solutions to global water scarcity and to address the environmental pollution and serious adverse effects on human health and aquatic ecosystems caused by the inadequacy of conventional water treatment methods. In order to contribute to the solution of these problems, the potential of silver nanoparticles (AgNPs) and mesoporous silica nanoparticles (MSNs) doped nanofibers obtained by the green synthesis method using Betula pendula plant extract in industrial wastewater treatment was investigated. The characterization of the synthesized nanoparticles was carried out in detail using X-ray diffraction (XRD), Fourier transform infrared spectroscopy (FTIR), UV-Vis spectrophotometry, scanning electron microscopy (SEM), and antibiogram tests. The filtration performance of industrial wastewater simulated in a laboratory setting was comprehensively evaluated by atomic absorption spectroscopy (AAS) and UV-spectrophotometry analyses. The characterization of polycaprolactone (PCL) based composite nanofibers produced by electrospinning was carried out by scanning electron microscopy (SEM) and thermogravimetric analysis (TGA). The main findings of the research reveal the successful biosynthesis of silver nanoparticles (AgNPs) with an average diameter of 113 nm and mesoporous silica nanoparticles (MSNs) with an average diameter of 185 nm. Furthermore, AgNPs@MSNs reinforced composite nanofibers provided effective adsorption of heavy metals, organic dyes, and bacterial pollutants found in industrial wastewater. These results indicate that the developed nanofibers have high potential in reducing environmental pollution.
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) | 0,001 | 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