MétaCan
Menu
Retour à la cohorte
Enregistrement W2472771784 · doi:10.1002/cssc.201600313

Direct Conversion of Mono‐ and Polysaccharides into 5‐Hydroxymethylfurfural Using Ionic‐Liquid Mixtures

2016· article· en· W2472771784 sur OpenAlexaff
Sviatlana Siankevich, Zhaofu Fei, Rosario Scopelliti, Philip G. Jessop, Jiaguang Zhang, Ning Yan, Paul J. Dyson

Notice bibliographique

RevueChemSusChem · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueCatalysis for Biomass Conversion
Établissements canadiensQueen's University
Organismes subventionnairesSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungÉcole Polytechnique Fédérale de LausanneNational University of Singapore
Mots-clésIonic liquidMethyl isobutyl ketoneBiomass (ecology)PetrochemicalChemistryLignocellulosic biomassCelluloseYield (engineering)Raw material5-hydroxymethylfurfuralCatalysisOrganic chemistryExtraction (chemistry)Chemical engineeringBiofuelPulp and paper industrySolventWaste managementMaterials science

Résumé

récupéré en direct d'OpenAlex

Platform chemicals are usually derived from petrochemical feedstocks. A sustainable alternative commences with lignocellulosic biomass, a renewable feedstock, but one that is highly challenging to process. Ionic liquids (ILs) are able to solubilize biomass and, in the presence of catalysts, convert the biomass into useful platform chemicals. Herein, we demonstrate that mixtures of ILs are powerful systems for the selective catalytic transformation of cellulose into 5-hydroxymethylfurfural (HMF). Combining ILs with continuous HMF extraction into methyl-isobutyl ketone or 1,2-dimethoxyethane, which form a biphase with the IL mixture, allows the online separation of HMF in high yield. This one-step process is operated under relatively mild conditions and represents a significant step forward towards sustainable HMF production.

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 seuil0,005

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)0,0010,001

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 Opus0,008
Tête enseignante GPT0,207
Écart entre enseignants0,199 · 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

Citations56
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChemSusChemMême sujetCatalysis for Biomass ConversionTravaux en français237 207