Plasmonic gold-silver alloy enhancement for titanium dioxide (TiO2) based solar photocatalytic water treatment of common pesticides: Photo-absorption tuning and catalytic efficiency optimization
Bibliographic record
Abstract
Les procédés d'oxydation avancés (AOP) photocatalytiques à base de dioxyde de titane (TiO2) ont le potentiel d'être une technologie durable et efficace de dégradation des contaminants récalcitrants lors du traitement des eaux, mais ils se heurtent à des difficultés dues aux propriétés optiques et matérielles intrinsèques du TiO2. L'augmentation avec des métaux qui présentent une résonance plasmonique de surface (SPR), tels que l'or et l'argent, peut être utilisée pour relever ces défis. Dans cette étude, des nanocomposites de TiO2 décorés d'un alliage or-argent ont été synthétisés et caractérisés avec différents rapports atomiques bimétalliques. La charge métallique et la composition atomique ont été optimisées pour obtenir la plus grande efficacité d'élimination du phénol, un contaminant organique représentatif. Nous avons démontré la capacité des alliages or-argent à régler la photo-absorption des nanocomposites, ce qui, à son tour, améliore la dégradation du phénol jusqu'à 46 % sous une source de lumière UVB par rapport au TiO2 seul. On observe que le spectre de la lumière UV joue un rôle essentiel dans cette amélioration. Aucune dégradation n'a été observée avec des longueurs d'onde supérieures à la bande interdite du TiO2, ce qui indique que le transfert d'électrons chauds induit par la lumière visible n'est probablement pas la cause fondamentale de l'amélioration catalytique. Enfin, cinq pesticides courants ont été dosés dans l'eau de lac à des concentrations pertinentes pour l'environnement et dégradés sous une source de lumière UVB, le matériau composite étant plus performant que le TiO2 P25 de référence pour 4 des 5 contaminants. Ces résultats démontrent la capacité du nouveau matériau composite à éliminer une large gamme de contaminants
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".