Effects of Organic Matter, Iron (Hydr)oxides, and Iron Reductive Dissolution on Per- and Polyfluoroalkyl Substances Sorption to Aqueous Film-Forming Foam-Impacted Solids
Notice bibliographique
Résumé
Aqueous film-forming foams (AFFFs) are a major source of per- and polyfluoroalkyl substances (PFAS) contamination in groundwater and soil. Although PFAS sorption is known to depend on the properties of solid matrices, the roles of organic matter and iron (hydr)oxides remain poorly understood, especially for polyfluorinated compounds. To investigate the interplay between particulate organic matter and iron (hydr)oxides in PFAS-contaminated subsurface environments, we studied the partitioning of neutral, cationic, and anionic PFAS in AFFF to well-characterized solids using the mixed-mode solid-phase extraction (SPE) technique combined with the total oxidizable precursor (TOP) assay. Our results indicated that organic matter consistently enhanced PFAS sorption. In contrast, the effect of goethite, a representative iron-containing mineral, on PFAS sorption varied with the PFAS charge. Using three different AFFFs, we found that anionic PFAS exhibited strong sorption regardless of the organic matter content, while cationic and zwitterionic PFAS sorbed poorly. These trends were more pronounced for iron-coated sand, which showed a higher affinity for anionic PFAS. Treatment with ascorbate, a mild reductant, released PFAS associated with iron (hydr)oxides. These findings highlight the importance of iron (hydr)oxides in the retention of anionic PFAS and could be leveraged to manage PFAS mobility through subsurface iron amendments or in situ iron (hydr)oxide formation/dissolution.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».