MétaCan
Menu
Retour à la cohorte
Enregistrement W2121573470 · doi:10.1002/cssc.201300509

Methanol Fractionation of Softwood Kraft Lignin: Impact on the Lignin Properties

2013· article· en· W2121573470 sur OpenAlexaff
Tomonori Saito, Joshua H. Perkins, Frédéric Vautard, Harry M. Meyer, Jamie M. Messman, Balázs Tolnai, Amit K. Naskar

Notice bibliographique

RevueChemSusChem · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueLignin and Wood Chemistry
Établissements canadiensKruger (Canada)
Organismes subventionnairesnon disponible
Mots-clésLigninFractionationSoftwoodCharChemistryYield (engineering)DepolymerizationKraft paperFraction (chemistry)Molar mass distributionMethanolOrganic chemistryChromatographyPyrolysisChemical engineeringPolymerMaterials scienceComposite material

Résumé

récupéré en direct d'OpenAlex

The development of technologies to tune lignin properties for high-performance lignin-based materials is crucial for the utilization of lignin in various applications. Here, the effect of methanol (MeOH) fractionation on the molecular weight, molecular weight distribution, glass transition temperature (Tg ), thermal decomposition, and chemical structure of lignin were investigated. Repeated MeOH fractionation of softwood Kraft lignin successfully removed the low-molecular-weight fraction. The separated high-molecular-weight lignin showed a Tg of 211 °C and a char yield of 47 %, much higher than those of as-received lignin (Tg 153 °C, char yield 41 %). The MeOH-soluble fraction of lignin showed an increased low-molecular-weight fraction and a lower Tg (117 °C) and char yield (32%). The amount of low-molecular-weight fraction showed a quantitative correlation with both 1/Tg and char yield in a linear regression. This study demonstrated the efficient purification or fractionation technology for lignin; it also established a theoretical and empirical correlation between the physical characteristics of fractionated lignins.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,012
Tête enseignante GPT0,195
Écart entre enseignants0,182 · 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'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

Citations173
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChemSusChemMême sujetLignin and Wood ChemistryTravaux en français237 207