MétaCan
Menu
Retour à la cohorte
Enregistrement W6884325188 · doi:10.1021/acs.est.7b01224.s001

Impact\nof Sodium Humate Coating on Collector Surfaces on Deposition of Polymer-Coated\nNanoiron Particles

2017· article· en· W6884325188 sur OpenAlexaboutno aff

Notice bibliographique

RevueFigshare · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueEnvironmental remediation with nanomaterials
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDeposition (geology)CoatingSodiumNanoscopic scaleHumic acidAtomic force microscopy

Résumé

récupéré en direct d'OpenAlex

The\naffinity between nanoscale zerovalent iron (nano-ZVI) and mineral\nsurfaces hinders its mobility, and hence its delivery into contaminated\naquifers. We have tested the hypothesis that the attachment of poly­(acrylic\nacid)-coated nano-ZVI (PAA-nano-ZVI) to mineral surfaces could be\nlimited by coating such surfaces with sodium (Na) humate prior to\nPAA-nano-ZVI injection. Na humate was expected to form a coating over\nfavorable sites for PAA-nano-ZVI attachment and hence reduce the affinity\nof PAA-nano-ZVI for the collector surfaces through electrosteric repulsion\nbetween the two interpenetrating charged polymers. Column experiments\ndemonstrated that a low concentration (10 mg/L) Na humate solution\nin synthetic water significantly improved the mobility of PAA-nano-ZVI\nwithin a standard sand medium. This effect was, however, reduced in\nmore heterogeneous natural collector media from contaminated sites,\nas not an adequate amount of the collector sites favorable for PAA-nano-ZVI\nattachment within these media appear to have been screened by the\nNa humate. Na humate did not interact with the surfaces of acid-washed\nglass beads or standard Ottawa sand, which presented less surface\nheterogeneity. Important factors influencing the effectiveness of\nNa humate application in improving PAA-nano-ZVI mobility include the\nsolution chemistry, the Na humate concentration, and the collector\nproperties.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,085
Score d'incertitude au seuil0,989

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0120,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,255
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshareMême sujetEnvironmental remediation with nanomaterialsTravaux en français237 207