Comparative technoeconomic analysis of a softwood ethanol process featuring posthydrolysis sugars concentration operations and continuous fermentation with cell recycle
Notice bibliographique
Résumé
Economical production of second generation ethanol from Ponderosa pine is of interest due to widespread mountain pine beetle infestation in the western United States and Canada. The conversion process is limited by low glucose and high inhibitor concentrations resulting from conventional low-solids dilute acid pretreatment and enzymatic hydrolysis. Inhibited fermentations require larger fermentors (due to reduced volumetric productivity) and low sugars lead to low ethanol titers, increasing distillation costs. In this work, multiple effect evaporation (MEE) and nanofiltration (NF) were evaluated to concentrate the hydrolysate from 30 g/l to 100, 150, or 200 g/l glucose. To ferment this high gravity, inhibitor containing stream, traditional batch fermentation was compared with continuous stirred tank fermentation (CSTF) and continuous fermentation with cell recycle (CSTF-CR). Equivalent annual operating cost (EAOC = amortized capital + yearly operating expenses) was used to compare these potential improvements for a local-scale 5 MGY ethanol production facility. Hydrolysate concentration via evaporation increased EAOC over the base process due to the capital and energy intensive nature of evaporating a very dilute sugar stream; however, concentration via NF decreased EAOC for several of the cases (by 2 to 15%). NF concentration to 100 g/l glucose with a CSTF-CR was the most economical option, reducing EAOC by $0.15 per gallon ethanol produced. Sensitivity analyses on NF options showed that EAOC improvement over the base case could still be realized for even higher solids removal requirements (up to two times higher centrifuge requirement for the best case) or decreased NF performance.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».