Carbon nanodots (C-Dots) were found to possess intrinsic peroxidase-like activity, and could catalytically oxidize 3,3′,5,5′-tetramethylbenzidine (TMB) by H2O2 to produce a colour reaction. This offers a simple, sensitive and selective colorimetric method for glucose determination in serum.

Tetracycline (TC) is one of the most frequently detected antibiotics in environmental. Monitoring the concentration of TC is essential for understanding environmental fate of antibiotics. In this work, bimetallic N-doped carbon catalysts of M/Co@NC (M= Ni, Mn, Cu, Zn, Fe) were rationally synthesized via molten salt-assisted pyrolysis. The distinctive synergistic interplay between Cu and Co endowed Cu/Co@NC superior activation capacity for peroxymonosulphate (PMS). Inspired by the advantages of sulfate radical (SO4•−), an original colorimetric sensing platform was developed by using PMS as oxidant and rhodamine B(RhB) as chromogenic agents. Notably, this platform achieved an ultrafast visual reaction within 60 s and exhibited broad pH applicability under pH 2-9. Then, leveraging a competitive inhibition mechanism, dual-mode colorimetric and fluorescent sensing platforms were established for TC detection under neutral conditions. The fluorescent platform exhibited a reliable liner range from 0.001 to 15 μg/mL with limit of detection of 2 ng/mL. Excellent selectivity was found for TC even among different antibiotics. Theoretical calculations elucidated that the superior selectivity arises from a higher electrophilic attack (f -) of TC. Based on these finding, a smartphone-assisted test strip was developed and successfully deployed for the rapid monitoring of TC in practical water samples. This work not only synthesized an efficient PMS activator, but also proposed a novel visual sensing mode with ultrafast detection times, wide pH applicability and portable operation.

The jet impact-negative pressure reactor (JI-NPR) is a novel wastewater treatment technology developed for the efficient removal of high-concentration ammonia nitrogen. However, the complex and transient nature of the flow behavior within the JI-NPR poses significant challenges for understanding the underlying fluid dynamics. In this work, a comprehensive signal-processing framework was developed to elucidate the flow characteristics inside the JI-NPR. First, a flow signal acquisition platform was established to capture the negative pressure signals during the treatment process. The empirical mode decomposition (EMD) technique was then employed to decompose the turbulent flow signals into a series of intrinsic mode functions (IMFs), representing multiscale turbulent eddy characteristics. To mitigate the effects of local noise and abrupt changes, various curve fitting methods, including cubic spline interpolation, piecewise cubic Hermite interpolating polynomial, and Makima interpolation, were utilized to smooth the IMF signals. The Hilbert transform was subsequently applied to extract the instantaneous frequency features of the smoothed IMFs, enabling more accurate quantification of the nonstationary and nonlinear flow behavior. The results revealed that the low-frequency IMFs were associated with the interactions between the wastewater jet and negative pressure, while the high-frequency IMFs reflected the internal dynamic evolution of the fluid. Furthermore, the multiple regression analysis approach was adopted to quantify the relationship between the IMF feature parameters and the critical performance metric of the denitrification efficiency. The decision tree regression model was identified as a particularly suitable technique, as it can flexibly capture both linear and nonlinear dependencies and effectively identify the most influential variables. This integrated approach of EMD, curve fitting, Hilbert transform, and regression analysis methods provides valuable insights into the quantitative impact of multiscale turbulent eddies on the overall performance of the JI-NPR system. These findings are expected to guide targeted optimization of the reactor design to enhance the denitrification efficiency, a crucial goal for the practical application of this wastewater treatment technology.

The process of extracting oil and gas via borehole drilling is largely dependent on subsurface structures, and thus, well log analysis is a major concern for economic feasibility. Well logs are essential for understanding the geology below the earth’s surface, which allows for the estimation of the available hydrocarbon resources. The incompleteness of these logs, on the other hand, is a major hindrance to downstream analysis success. This study, however, addresses the above challenges and presents a deep Long-Short Term Memory (LSTM) model specialized using a new hyperparameter tuning algorithm. There is an evidence gap that we try to fill: well log prediction using LSTM has not been extensively documented, particularly on reconstruction of missing data. In order to remedy this, we develop a new algorithm entitled Elite Preservation Strategy Chimp Optimization Algorithm (EPSCHOA), which will improve the tuning of LSTM hyperparameters. EPSCHOA enhances prediction performance by preserving the diversity of the strongest candidates and transforming the most effective predictor resources into less effective ones. A comparative analysis of the LSTM-EPSCHOA model was carried out with both LSTM and E-LSTM models, including their various extensions, LSTM-CHOA, LSTM-HGSA, LSTM-IMPA, LSTM-SEB-CHOA, and LSTM-GOLCHOA, even as common forecasting models using Artificial Neural Network (ANN), Adaptive Neuro-Fuzzy Inference System (ANFIS), Gradient Boosting (GB), and AutoRegressive Integrated Moving Average (ARIMA). The results of the performance tests demonstrate that the LSTM-EPSCHOA model outperforms in all aspects, as evidenced by its R 2 values of.98, RMSE of 0.022, and MAPE of 0.701% during training, and R 2 values of 0.96, RMSE of 0.025, and MAPE of 0.698% during testing. These are considerably superior to other measures used compared to what was achieved using explicit modeling using LSTM, which stood at R 2 of 0.59, RMSE of 0.101, and MAPE of 2.588%. The LSTM-EPSCHOA proved to give models faster rates of convergence and lower error measurements than usual models, which clearly demonstrated its efficiency in solving the problem of inadequate well-log data. The new approach is regarded as having many useful potentials to boost well-log interpretations in the oil sector.