Adsorption du pentachlorophenol sur divers matériaux : Influence de co-adsorbats organiques (Substances humiques et lindane)
Bibliographic record
Abstract
Nous avons réalisé, pour de faibles concentrations, l'étude de l'adsoprtion d'un pesticide le pentachlorophénol, sur plusieurs matériaux adsorbants : le charbon actif, la kaolinite et la bentone. Les résultats montrent que l'adsorption du pentachlorophénol sur la kaolinite reste négligeable tandis que la bentone SD-3 (argile traitée) permet d'obtenir des résultats intéressants avec toutefois une capacité maximale d'adsorption 10 à 100 fois plus faible que celle du charbon actif. Le charbon actif reste le meilleur matériau adsorbant pour le pentachlorophénol. La solubilité de ce composé étant très variable en fonction du pH du milieu on constate que l'adsorption du pentachlorophénol-pentachlorophénate (5 mg.l-1) diminue pour des valeurs de pH supérieures au pKa du couple acide-base que nous avons déterminé expérimentalement, égal à 5,9 ± 0,1. L'adsorption du pentachlorophénol n'est pas affectée par la présence d'acides humiques (obtenus à partir de substances commerciales) utilisés comme coadsorbats (10 mg.l-1) alors que les acides fulviques (20 mg.l-1) extraits de sols semblent provoquer une promotion de l'adsorption. On observe d'autre part que le pentachlorophénol n'affecte pas l'adsorption des acides humiques mais augmente légèrement celle des acides fulviques. Ces remarques suggèrent la possible formation d'un complexe acides fulviques-pentachlorophénol. Lorsqu'on utilise le lindane, pesticide hydrophobe comme coadsorbat (165 mg.l-1), on observe encore d'une façon systématique pour tous les nombreux essais une légère promotion de l'adsorption.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".