MétaCan
Menu
Retour à la cohorte
Enregistrement W2046826491 · doi:10.1002/cjce.5450780311

Batch kinetics and modelling of propionic acid fermentation

2000· article· en· W2046826491 sur OpenAlexvenueno aff
Ashok K. Srivastava

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2000
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicrobial Metabolic Engineering and Bioproduction
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFermentationPropionateChemistryKineticsLactoseSubstrate (aquarium)ChromatographyNuclear chemistryBiochemistryBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Batch propionic acid fermentation kinetics was studied using five different initial concentrations of lactose (i.e., 37 g/L, 45g/L, 50g/L, 57 g/L and 73 g/L) at constant temperature (30°C) and pH (6.5) under anaerobic conditions using Propionibacterium acidipropionici (ATCC 4875). When the initial substrate concentration was 37 g/L, 45 g/L, 50 g/L, 57 g/L and 73 g/L, then, correspondingly, 16 g/L, 19 g/L, 22.25 g/L, 25.3 g/L and 26.3 g/L of propionic acid was accumulated in the fermentation broth. Increasing the supply of lactose in the fermentation medium led to the accumulation of by products succinate, acetate and pyruvate. Maximum propionate yield (0.44 g/g) and comparatively lesser impurities (byproducts) were achieved with 57 g/L initial lactose concentration. The batch growth kinetics was eventually used to develop and test a mathematical model for propionic acid fermentation by P. acidipropionici at pH 6.5 and So = 57 g/L. YX/Smax was found to be the most sensitive parameter of the model. The same model also successfully simulated the batch kinetics observed at So = 37 g/L. However the model failed to simulate the fermentation kinetics observed at So = 73 g/L. The developed model can be used for process optimization studies.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,007
Tête enseignante GPT0,177
Écart entre enseignants0,170 · 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'étudeSimulation ou modélisation
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

Citations5
Publié2000
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetMicrobial Metabolic Engineering and BioproductionTravaux en français237 207