Removing micro- and nanoplastics (MNPs) from water via novel composite adsorbents: A review
Notice bibliographique
Résumé
This review critically examines recent advances in the development of novel composite adsorbents specifically carbon-based, magnetic-based, and metal-organic-framework-based materials (MOFs), for the efficient removal of Micro- and nanoplastics (MNPs) from water. While these composites demonstrate superior adsorption performance compared to traditional adsorbents (e.g., chitosan, carbon nanotube, biochar, and granular activated carbon), challenges such as scalability, synthesis complexity, and environmental safety remain. Carbon-based composites offer high surface area, diverse functional groups, and enhanced adsorption capacity but face challenges with recovery. Magnetic composites facilitate easy separation and reuse but are hindered by synthesis complexity. MOFs provide tunable porosity and selectivity, yet their stability and cost require improvement. Thus, future research should prioritize the development of composite adsorbents that are stable, sustainable, and scalable for practical water treatment applications. Integrating experimental data with computational modeling to optimize adsorption processes, and tailoring surface functionalities for specific MNP types will further boost removal efficiency and selectivity. This strategic focus aims to advance water treatment technologies capable of efficiently and safely mitigating the growing challenge of MNP pollution across various aquatic environments. • Sources and pathways of MNPs in aquatic environments are summarized. • Key adsorption mechanisms involved in MNP removal in water is highlighted. • The advancement of carbon-, magnetic-, and MOF-based composite adsorbents for the removal of MNPs in water are reviewed. • Challenges, limitations, and future prospects of composite adsorbents are discussed.
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 | 0,000 | 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) | 0,004 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».