Will second‐generation ethanol be able to compete with first‐generation ethanol? Opportunities for cost reduction
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
Abstract The production costs of a lignocellulosic ethanol process, both currently and projected for 2020, were compared to a corn ethanol process, to determine its economic competitiveness. A techno‐economic model was used to estimate the current production costs for a base‐case, 50 ML yr ‐1 softwood facility, as well as providing a basis for cost‐reduction test cases assessing different feedstock, scaling, enzyme, and coproduct options. The progress ratio indicated that lignocellulosic ethanol could be competitive with corn ethanol by 2020, based on volumes mandated by 2007 EISA. However, cost reductions must occur across all components of the production process. The ambitious cellulase enzyme cost reductions that have been projected were shown to be challenging as cellulase costs still need to be significantly lower than those of amylase enzymes on a unit‐of‐protein basis. Opportunities for capital cost reduction relative to first‐generation plants were primarily restricted to the pre‐treatment/hydrolysis unit operations, with operational conditions such as the severity of pre‐treatment and hydrolysis residence times, significantly influencing operating costs. Alternative operating strategies, such as maximizing hydrolysis rate with shorter residence times rather than maximizing ethanol yield and using the unhydrolyzed residue for heat and power production, showed some promise. Increasing the size of the facility to 1 BL yr ‐1 output substantially reduced the per unit capital costs, but not to a level competitive with an average (150 ML yr ‐1 ) corn ethanol facility. © 2011 Society of Chemical Industry and John Wiley & Sons, Ltd
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 | 0,001 |
| 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