MétaCan
Menu
Retour à la cohorte
Enregistrement W2050683371 · doi:10.1088/1748-9326/4/1/014001

The contribution of enzymes and process chemicals to the life cycle of ethanol

2009· article· en· W2050683371 sur OpenAlexafffund
Heather L. MacLean, Sabrina Spatari

Notice bibliographique

RevueEnvironmental Research Letters · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensUniversity of Toronto
Organismes subventionnairesAUTO21 Network of Centres of ExcellenceGovernment of OntarioEnergy Biosciences Institute
Mots-clésBiofuelLife-cycle assessmentRaw materialGreenhouse gasEnvironmental scienceFossil fuelRenewable energyEthanol fuelLignocellulosic biomassPulp and paper industryCorn ethanolBiochemical engineeringWaste managementBiotechnologyEngineeringChemistryProduction (economics)BiologyEcology

Résumé

récupéré en direct d'OpenAlex

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' n th 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.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,011
Tête enseignante GPT0,261
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'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

Citations138
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental Research LettersMême sujetBiofuel production and bioconversionTravaux en français237 207