The contribution of enzymes and process chemicals to the life cycle of ethanol
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Most life cycle studies of biofuels have not examined the impact of process chemicals and enzymes, both necessary inputs to biochemical production and which vary depending upon the technology platform (feedstock, pretreatment and hydrolysis system). We examine whether this omission is warranted for sugar-platform technologies. We develop life cycle ('well-to-tank') case studies for a corn dry-mill and for one 'mature' and two near-term lignocellulosic ethanol technologies. Process chemical and enzyme inputs contribute only 3% of fossil energy use and greenhouse gas (GHG) emissions for corn ethanol. Assuming considerable improvement compared to current enzyme performance, the inputs for the near-term lignocellulosic technologies studied are found to be responsible for 30%–40% of fossil energy use and 30%–35% of GHG emissions, not an insignificant fraction given that these models represent technology developers' nth plant performance. Mature technologies which assume lower chemical and enzyme loadings, high enzyme specific activity and on-site production utilizing renewable energy would significantly improve performance. Although the lignocellulosic technologies modeled offer benefits over today's corn ethanol through reducing life cycle fossil energy demand and GHG emissions by factors of three and six, achieving those performance levels requires continued research into and development of the manufacture of low dose, high specific activity enzyme systems. Realizing the benefits of low carbon fuels through biological conversion will otherwise not be possible. Tracking the technological performance of process conversion materials remains an important step in measuring the life cycle performance of biofuels.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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