MétaCan
Menu
Retour à la cohorte
Enregistrement W2316829324 · doi:10.1021/acssuschemeng.5b00908

Solvolytic Liquefaction of Bark: Understanding the Role of Polyhydric Alcohols and Organic Solvents on Polyol Characteristics

2015· article· en· W2316829324 sur OpenAlexafffund
Jason D’Souza, Song Zhi Wong, R. E. Camargo, Ning Yan

Notice bibliographique

RevueACS Sustainable Chemistry & Engineering · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueLignin and Wood Chemistry
Établissements canadiensUniversity of Toronto
Organismes subventionnairesMitacsFPInnovations
Mots-clésChemistryPolyolLiquefactionOrganic chemistryAcetoneSolventYield (engineering)TetrahydrofuranCyclohexanoneCatalysisMaterials sciencePolyurethane

Résumé

récupéré en direct d'OpenAlex

Bark was liquefied in polyhydric alcohols of various functionality, equivalent weight, and hydroxyl type, and organic solvents of varying polarity to determine how these features impact liquefaction behavior and polyol characteristics. It was found that the liquefaction yield was highly tunable with the use of polyhydric alcohols with primary hydroxyl groups, with low equivalent weight alcohols providing the highest liquefaction yield (59.3%). This showed that the highly polar hydroxyls (primary) and short chains created a highly protic solvent that improved conversion and protected the biopolymers from degradation. This was corroborated by 1 H NMR analysis that indicated a greater amount of sugar degradation products were observed when polyhydric alcohols with secondary hydroxyl groups were used. Regarding organic solvents, ketonic solvents showed the greatest increase in the liquefaction yield. The composition and carbon content analysis of the residues suggested that the highly polar carbonyl group of ketonic solvents like acetyl acetone and cyclohexanone may have hindered condensation side reactions. These results have shown that selection of polyhydric alcohols and organic cosolvents can be quite impactful on the liquefaction yield and the polyol characteristics.

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 seuil0,002

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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,009
Tête enseignante GPT0,184
Écart entre enseignants0,175 · 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

Citations31
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS Sustainable Chemistry & EngineeringMême sujetLignin and Wood ChemistryTravaux en français237 207