Synergistic role of Cyanex 272 saponification and acetate buffering in selective Co(II)/Ni(II) separation via Green Emulsion Liquid Membrane (GELM)
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 explores the selective extraction of cobalt and nickel ions from acidic solutions using a Green Emulsion Liquid Membrane (GELM) system. Corn oil was selected as a green diluent based on shake-out tests. The membrane phase was formulated by dissolving Cyanex 272 (as extractant) and a binary surfactant system (Span 80 and Tween 80) in corn oil, then emulsified with sulfuric acid (H 2 SO 4 ) as the internal stripping agent. Partial saponification of Cyanex 272 enhanced extraction efficiency, while sodium acetate served as a buffering agent to improve selectivity. Equilibrium studies validated the extraction mechanism. An optimized surfactant blend of 4% v/v (80% Span 80, 20% Tween 80) provided superior emulsion stability. Key operational parameters were optimized, including extractant concentration (25% v/v, 30% saponified), sodium acetate concentration (1.5 M), feed pH (5), treatment ratio (5:1), stirring speed (200 rpm), time (20 min), phase ratio (2:3), and stripping agent (1 M H 2 SO 4 ). Under these conditions, cobalt extraction reached 95.0%, with minimal nickel co-extraction (3.8%), yielding a high separation factor. The membrane phase was successfully recycled twice with minimal loss in performance, demonstrating the feasibility of this sustainable approach for selective metal separation. • Selective extraction of Co(II) over Ni(II) achieved with a GELM system. • Corn oil identified as a sustainable green solvent in shake-out tests. • Surfactant mix and saponified Cyanex 272 improved stability and extraction efficiency. • Sodium acetate buffer maintained pH and enhanced metal selectivity. • 95% Co(II) and 3.8% Ni(II) extraction achieved; membrane reused for 2 cycles.
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 | 0,001 |
| 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 découle