MétaCan
Menu
Retour à la cohorte
Enregistrement W2286871057 · doi:10.18331/brj2016.3.3.7

Enhanced ethanol and glucosamine production from rice husk by NAOH pretreatment and fermentation by fungus Mucor hiemalis

2016· article· en· W2286871057 sur OpenAlexvenueno aff
Maryam Omidvar, Keikhosro Karimi, Marzieh Mohammadi

Notice bibliographique

RevueBiofuel Research Journal · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHuskFermentationChemistryEthanol fuelBiomass (ecology)Response surface methodologyEthanolYield (engineering)Food scienceHydrolysisMucorBotanyAgronomyBiochemistryBiologyChromatographyMaterials sciencePenicillium

Résumé

récupéré en direct d'OpenAlex

Ethanol production from rice husk by simultaneous saccharification and fermentation using Mucor hiemalis was investigated. To reach the maximum ethanol production yield, the most important influencing factors in the pretreatment process, including temperature (0-100°C), NaOH concentration (1-3 M), and the pretreatment time (30-180 min), were optimized using an experimental design by a response surface methodology (RSM). The maximum ethanol production yield of 86.7 % was obtained after fungal cultivation on the husk pretreated with 2.6 M NaOH at 67°C for 150 min. This was higher than the yield of 57.7% obtained using Saccharomyces cerevisiae as control. Furthermore, fermentation using M. hiemalis under the optimum conditions led to the production of a highly valuable fungal biomass, containing 60 g glucosamine (GlcN), 410 g protein, and 160 g fungal oil per each kg of the fungal biomass.

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)0,001
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 enseignants0,061
Score d'incertitude au seuil0,460

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,025
Tête enseignante GPT0,286
Écart entre enseignants0,261 · 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

Citations21
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiofuel Research JournalMême sujetBiofuel production and bioconversionTravaux en français237 207