MétaCan
Menu
Retour à la cohorte
Enregistrement W2525055307 · doi:10.15376/biores.11.4.veettil

Can Microbially Derived Advanced Biofuels Ever Compete with Conventional Bioethanol? A Critical Review

2016· review· en· W2525055307 sur OpenAlexaff
Seena Illath Veettil, Linoj Kumar, Alexander A. Koukoulas

Notice bibliographique

RevueBioResources · 2016
Typereview
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésBiofuelBiochemical engineeringMaterials scienceNanotechnologyPulp and paper industryAstrobiologyWaste managementEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Microbially derived alkanes and their derivatives are recognized as promising alternatives to petroleum-based fuels and chemicals. We review recent developments in their production, assess progress, and their potential against conventional bioethanol fermentation pathways. The success rate of genetic engineering efforts and their commercialization prospects are assessed, as well as challenges for producing fuels and chemicals from lignocellulosic biomass. Although significant progress has been made in the genetic engineering of microbes used in the production of long-chain hydrocarbons and their derivatives, titer and yield of these biomolecules are currently too low to compete with petroleum-derived products. As for microbially derived isoprenoids or fatty acids, the inherent complexity of micro-organism development will continue to present formidable challenges, making it highly unlikely of any short-term commercial take off. Nonetheless, first generation bioethanol (starch/sugar based) production is commercially established and therefore continued advancements in chemical synthesis should enable broad-scale use of bio-ethanol as a chemical feedstock for the production of advanced biofuels including butanol and other long-chain hydrocarbons.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,028
Tête enseignante GPT0,272
Écart entre enseignants0,244 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioResourcesMême sujetBiofuel production and bioconversionTravaux en français237 207