Heterotrophic-sulfur autotrophic denitrification (HAD) has been proposed to be a prospective nitrogen removal process. In this work, the potential of fermentation liquid (FL) from waste-activated sludge (WAS) as the electron donor for denitrification in the HAD system was explored and compared with other conventional carbon sources. Results showed that when FL was used as a carbon source, over 99% of NO3−-N was removed and its removal rate exceeded 14.00 mg N/g MLSS/h, which was significantly higher than that of methanol and propionic acid. The produced sulfate was below the limit value and the emission of N2O was low (1.38% of the NO3−-N). Microbial community analysis showed that autotrophic denitrifiers were predominated in the HAD system, in which Thiobacillus (16.4%) was the dominant genus. The economic analysis showed the cost of the FL was 0.062 €/m3, which was 30% lower than that in the group dosed with methanol. Our results demonstrated the FL was a promising carbon source for the HAD system, which could reduce carbon emission and cost, and offer a creative approach for waste-activated sludge resource reuse.

Analyzing three-dimensional excitation-emission matrix (3D-EEM) spectra through machine learning models has drawn increasing attention, whereas the reliability of these machine learning models remains unclear due to their "black box" nature. In this study, the convolutional neural network (CNN) for classifying numbers of fluorescent components in 3D-EEM spectra was interpreted by gradient-weighted class activation mapping (Grad-CAM), guided Grad-CAM, and structured attention graphs (SAGs). Results showed that the original CNN classifier with high classification accuracy may make a classification based on misleading attention to the non-fluorescence area in 3D-EEM spectra. By removing Rayleigh scatterings in 3D-EEM spectra and integrating convolutional block attention module (CBAM) in CNN classifiers, the correct attention of the trained CNN classifier with CBAM greatly increased from 17.6% to 57.2%. This work formulated strategies for improving CNN classifiers associated with environmental fields and would provide great help for water determination in both natural and artificial environments.

Abstract Bubbles play crucial roles in various fields, including naval and ocean engineering, chemical engineering, and biochemical engineering. Numerous theoretical analyses, numerical simulations, and experimental studies have been conducted to reveal the mysteries of bubble motion and its mechanisms. These efforts have significantly advanced research in bubble dynamics, where theoretical study is an efficient method for bubble motion prediction. Since Lord Rayleigh introduced the theoretical model of single-bubble motion in incompressible fluid in 1917, theoretical studies have been pivotal in understanding bubble dynamics. This study provides a comprehensive review of the development and applicability of theoretical studies in bubble dynamics using typical theoretical bubble models across different periods as a focal point and an overview of bubble theory applications in underwater explosion, marine cavitation, and seismic exploration. This study aims to serve as a reference and catalyst for further advancements in theoretical analysis and practical applications of bubble theory across marine fields.

Abstract Drosophila can rapidly and precisely detect changes in light in their surroundings and achieve acute perception of motion information with high energy efficiency and adaptivity owing to the cooperation of “ON” channel and the “OFF” channel in its visual system. Optical controlled bidirectional synaptic behavior of neuromorphic device is important for modeling parallel processing channels of Drosophila's visual system. In this study, an ambipolar transistor utilizing a bilayer architecture composed of p‐type pentacene and n‐type C 60 as semiconductors is developed, with near‐infrared (NIR) PbS quantum dots serving as the charge‐trapping layer. This design enables a gate‐tunable positive and negative photoresponse, driven by photogating and photovoltaic effects at visible and NIR wavelengths. When regulated by a negative gate voltage, the device exhibits a suppressed photocurrent relaxation time exceeding 1000 s, demonstrating stable long‐term inhibitory characteristics. Consequently, high‐contrast excitatory and inhibitory synapses facilitate orientation and motion detection. Identification accuracies of up to 94.8% for motion direction and 98.1% for dynamic gestures are achieved. Practical applications such as intelligent monitoring and human–computer interaction stand to benefit significantly from these findings.