MétaCan
Menu
Retour à la cohorte
Enregistrement W2064179959 · doi:10.1080/02773813.2013.773354

Electrospinning with Condensed Tannins: Effects on Co-spinning with Zein

2013· article· en· W2064179959 sur OpenAlexaff
James Ian Dallmeyer, Warren J. Grigsby, John F. Kadla

Notice bibliographique

RevueJournal of Wood Chemistry and Technology · 2013
Typearticle
Langueen
DomaineMaterials Science
ThématiqueElectrospun Nanofibers in Biomedical Applications
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésElectrospinningTanninNanofiberChemistrySpinningChemical engineeringThermal stabilityFiberPolymerOrganic chemistryPolymer chemistryFood science

Résumé

récupéré en direct d'OpenAlex

Abstract Electrospinning can be applied to renewables creating new materials and applications. We have utilized electrospinning in an attempt to create nanofibers from condensed tannins as well as from binary conjugates formed between this tannin with zein protein. While attempts to directly electrospin pine bark tannin extract proved unsuccessful, combining zein with this tannin gave electrospun fiber from acetic acid and dimethyl formamide (DMF) solutions. To achieve nanofibers possessing significant tannin content, high solids content (≥35%) in DMF solution was required. Electrospun nanofibers (200–400 nm dia.) could be created from zein-tannin combinations with up to 80% tannin content and appropriate solution solids content. Nanofibers could be produced from pre-formed tannin-zein conjugates or via their direct combination as a mixture in the spinning solution. Analysis of thermal stability shows the zein-tannin conjugates have similar thermal properties and stability to zein, being stable up to 240°C. Keywords: Electrospinningcondensed tanninszein proteinprotein conjugates Acknowledgments The authors are grateful and would like to thank the New Zealand Royal Society for funding and travel assistance, which was provided through the RSNZ International Mobility Fund.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,012
Score d'incertitude au seuil0,417

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,002
Tête enseignante GPT0,207
Écart entre enseignants0,205 · 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 tête enseignante, 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

Citations2
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Wood Chemistry and TechnologyMême sujetElectrospun Nanofibers in Biomedical ApplicationsTravaux en français237 207