Alginate cryogel beads for effectively aggregating nanoplastics for water remediation
Notice bibliographique
Résumé
Nanoplastic (NP) pollution, consisting of particles smaller than 1 µm, poses a significant threat to both global ecosystems and human health. However, effective removal remains challenging due to their sub-micron size and low environmental concentrations. In this research, we discovered that an alginate cryogel can rapidly aggregate NPs (50–200 nm) into micrometer-sized clusters, enabling efficient removal via conventional membrane filtration. This cryogel-enhanced filtration achieved over 99% NP removal within 2 minutes. We attribute the observed aggregation to the combined effects of weakly bound alginate leaching upon cryogel rehydration and localized Ca²⁺ release from cryogels on driving NP aggregation. This mechanism enables effective NP removal across a pH range of 4–8 for both spherical and irregularly shaped NPs. While surface adsorption plays a role in NP removal, aggregation predominantly resulted into the effective filtration of NPs, with minimal influence from cryogel’s internal porosity. By leveraging NP aggregation into the microscale rather than relying on size-dependent direct filtration, this strategy presents a promising scalable solution for wastewater treatment and broader environmental applications. Nanoplastic pollution poses a significant threat to both global ecosystems and human health, but its effective remediation is challenging due to the size and low environmental concentrations of nanoplastics. Here, the authors show that an alginate cryogel can rapidly aggregate 50–200 nm particles into micrometer-sized clusters, enabling efficient removal through conventional membrane filtration due to a combination of weakly bound alginate leaching upon cryogel rehydration and localized Ca²⁺ release from the cryogel.
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 | 0,001 |
| 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 | 0,001 | 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 ».