MétaCan
Menu
Retour à la cohorte
Enregistrement W1977647929 · doi:10.1021/ie901763h

Quality Pulp from Mixed Softwoods as an Added Value Coproduct of a Biorefinery

2010· article· en· W1977647929 sur OpenAlexafffund
Jean‐Michel Lavoie, Eva Capek-Menard, Henri Gauvin, E. Chornet

Notice bibliographique

RevueIndustrial & Engineering Chemistry Research · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesEnerkem
Mots-clésBiorefineryCellulosic ethanolPulp and paper industryRaw materialPulp (tooth)SoftwoodCelluloseKraft processLigninLignocellulosic biomassBiofuelChemistryKraft paperMaterials scienceWaste managementOrganic chemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Increasing prices for biomass and growing competition generated by the emerging biofuels sector will require drastic changes in current methods used for the transformation of lignocellulosic biomass to achieve profitability. In this work, a methodology known as “feedstock impregnation rapid and sequential steam treatment” (FIRSST) was used for the production of pulp from mixed softwoods. This method allows the isolation of the extractives, hemicelluloses, lignin, and most significantly, the cellulose fiber from the feedstock. The isolation of the cellulosic pulp was done via two successive steam treatments in which only the second required the addition of a catalyst (10 wt % NaOH) for delignification. The macromolecular contents of the residual solids along the different steps of the transformation were evaluated using ASTM and TAPPI standard methods. Carbohydrates were identified and quantified using high-performance liquid chromatography with an anion-exchange stationary phase. The quality of the FIRSST and Kraft pulp produced from the same feedstock was evaluated using standard ATPPC methods.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,088
Tête enseignante GPT0,339
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIndustrial & Engineering Chemistry ResearchMême sujetBiofuel production and bioconversionTravaux en français237 207