Detection and characterization of nanoparticles released from municipal wastewater treatment plants and paints using single particle inductively coupled plasma mass spectrometry
Notice bibliographique
Résumé
Les nanoparticules de synthèse (NPs) sont intensivement utilisées dans une multitude de produits industriels et de consommation, grâce à leur grande surface spécifique. Une grande partie de ces NPs se jette dans les stations de traitement des eaux usées (STEP), et finit par être rejetée dans l’environnement principalement avec les boues provenant des bassins de décantations, et avec les effluents d’eaux usées. Cependant, les données quantitatives disponibles sur les NPs dans les effluents d’eaux usées, les boues et les biosolides sont limitées, rendant ainsi l’évaluation du risque environnemental et de l’absorption biologique des NPs plus difficiles. L’objectif général de cette thèse est d’aboutir à une meilleure compréhension du rejet des NPs des peintures et de présenter de nouvelles techniques développées pour détecter et mesurer les NPs dans les STEP. Le premier objectif de cette thèse est de développer et d’optimiser des méthodes pour détecter la taille, la distribution de tailles et la concentration en NPs de métaux (Ag et Cu) dans les boues et les biosolides, à travers l’application de plusieurs procédures d’extraction et d’analyse subséquente des extraits aqueux avec la spectrométrie de masse par plasma à couplage inductif à une seule particule (spICP-MS). Les NPs des extraits aqueux de biosolides ont été détectés ayant une taille moyenne entre 16.0 ± 0.2 et 41.3 ± 0.5 nm d’Ag, et 42.9 ± 0.3 à 142.8 ± 1.8 nm de Cu, avec une concentration entre 107 et 1010 NPs/g de poids sec, extraits de 11 STEP municipales au Canada. Le deuxième objectif de cette thèse concerne la détection et la caractérisation des nAg et nCu à l’aide de la spICP-MS dans les échantillons d’effluents d’eaux usées, en utilisant les cycles séquentiels d’ultrafiltration centrifuge (UCF) pour concentrer les NPs dans de plus petits volumes et améliorer ainsi leur détectabilité. Des échantillons d’effluents d’eaux usées ont été extraits de 9 différentes STEPs municpales Canadiennes et analysés pour nAg et nCu à l’aide de la spICP-MS. La concentration en nCu variait entre 0.1 ng/L et 12 ng/L (34.6 ± 1.3 et 68.0 ± 0.3 nm) et celle de nAg entre 0.08 et 0.43 ng/L (19.3 ± 0.1 et 34.7 ± 7.2 nm), dépendamment sur l’échantillon d’effluents d’eaux usées. Ces concentrations de NPs mesurées dans l’effluent d’eaux usées ont été trouvées 103 à 107 fois plus inférieures à celles dans les biosolides des eaux usées. Le troisième objectif est de quantifier la fraction d’Ag rejettée avec le temps des surfaces peintes en tant que NPs ou espèces dissoutes, dû au contact avec différentes solutions de pH et/ou une exposition directe à la lumière solaire, ainsi que de comparer la stabilité colloïdale et la toxicité bactérienne des nAg intactes et nAg rejettées des surfaces peintes attachées dans les matrices de peinture. Le rejet de nAg dans un pH acide était 10 fois plus élevé que celui dans un pH neutre et 5.6 fois plus élevé que celui dans un pH basique. Les particules de nAg émises dans le pH acide étaient plus petites de taille, avec un diamètre moyen de 37.1 ± 2.1 nm, comparé à 64.6 ± 4.3 nm dans le pH neutre. Les nAg émises des surfaces peintes étaient considérablement plus stables au niveau des colloïdes, résistantes à la dissolution et toxiques comparées aux nAg intactes dans un pH neutre. Le quatrième objectif est similaire au précédent mais est concentré sur la quantification de la fraction de nTiO2 rejettée avec le temps des surfaces peintes en tant que NPs, sous les mêmes conditions physio-chimiques. Le rejet de nTiO2 des surfaces peintes et leur état d’agrégation différaient selon les conditions de pH. Les peintures commerciales à base de nTiO2 rejetaient moins de NPs, comparées à d’autres peintures commerciales à base mixte de nano, micro et plus grandes particules de TiO2. Les nTiO2 rejetées des surfaces peintes se comportaient différemment comparées aux nTiO2 intactes au niveau de la stabilité, la distribution des tailles de particules et la toxicité
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».