Considering the serious problem of lack of freshwater worldwide and the effectiveness of the photocatalysis process in water purification, we prepared a novel Ternary Fe2O3/CeO2/ZnO photocatalyst toward degradation of Levofloxacin (LEF) antibiotic. In this study, the CeO2 was synthesized through the hydrothermal route and the nanocomposite was prepared using a simple-impregnation method. Then the synthesized materials with various weight percentages 5 %FeCe (10, 20, 30 and 40 %) on the ZnO were completely characterized in the aspects of structural, morphological and optical properties with the aid of XRD, XPS, BET, TEM, SEM, EIS, ESR, Band-gap, Photocurrent, Mott Schottky, etc. The XPS analysis depicts the successful construction of required bonds among FeCe/ZnO materials. The enhancement of LEF decomposition was investigated utilizing RSM-CCD method, considering factors such as the amount of catalyst used, irradiation time, pH levels, and the initial concentration of LEF. The trapping experiments of free radicals highlight the significant contributions of the •OH and •O2– radicals. A notable degradation rate of 98.9 % was achieved under optimal operational conditions, which included catalyst dosage of 0.69 g/L, irradiation period of 83.64 min, initial LEF concentration of 37.9 mg/L, and pH of 6.18. Furthermore, the findings of EIS, photocurrent, and Mott-Schottky analyses allowed for proposing a suitable charge transfer mechanism and demonstrated effective separation of photo-generated electron-hole pairs. Additionally, LC-MS analysis was utilized to elucidate the intermediate products generated during the photodegradation of LEF, leading to the proposal of plausible degradation pathways. The exceptional efficiency of the 30FeCe/ZnO photocatalyst highlights its promising potential for the efficient treatment of persistent organic pollutants on a large scale in wastewater treatment plants.

In this study, a groundbreaking exploration of a concentrated photovoltaic-thermoelectric (CPV-TE) module employing an unprecedented selection of six thermoelectric materials across diverse temperature ranges is presented. This work innovatively employs a multi-objective optimization framework that combines genetic algorithms and goal attainment methods, aiming to optimize energy, exergy, environmental, and economic (4 E) performance. Notably, this study is the first to construct and evaluate five regression-based machine learning models with an emphasis on minimal root mean squared error and mean absolute error for rapid CPV-TE performance predictions, essential for real-world applications. Our analysis unveils that among the tested materials, the CPV-TE module incorporating lead telluride (PbTe) achieves the highest 4 E performance, demonstrating a peak exergy efficiency of 14.2 %, and annual energy savings and carbon reduction of 13.5 kWh and 6.4 kg, respectively. Furthermore, the Gaussian Process Regression model is identified as the most effective among the machine learning models for forecasting performance across the materials. This study significantly advances the field by providing novel insights into thermoelectric material selection and optimization for CPV-TE modules, and establishing pioneering forecasting tools that catalyze the efficient deployment of these systems.

Grain refinement techniques are commonly used to produce enhanced materials with micro- and nanoscale grain sizes. This study investigates the severe plastic deformation of 2024 aluminum alloys reinforced with microparticles of alumina (Al2O3) using a new method based on hydrostatic cyclic expansion extrusion. Cuboid samples of aluminum 2024 were subjected to severe deformation at 20 °C through the pressing of a steel punch from the top and the application of back-pressure to the bottom part of the workpiece after the addition of the reinforcing powder. The mold design was created to facilitate both modes of operation. The experimental results were used to examine deformation behavior and flow patterns in the samples. Furthermore, the mechanical properties and microstructure of the processed samples were analyzed to determine the effects of the applied strain.