MétaCan
Menu
Retour à la cohorte
Enregistrement W2564781725 · doi:10.1002/slct.201601476

New Biorefinery Strategy for High Purity Lignin Production

2016· article· en· W2564781725 sur OpenAlexafffund
Georges Koumba-Yoya, Tatjana Stevanović

Notice bibliographique

RevueChemistrySelect · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueLignin and Wood Chemistry
Établissements canadiensUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaFondation de l’Université Laval
Mots-clésOrganosolvBiorefineryLigninKraft paperChemistryPulp and paper industryKraft processSulfiteElectrospinningCatalysisOrganic chemistryChemical engineeringRaw materialPolymer

Résumé

récupéré en direct d'OpenAlex

Abstract Due to their aromatic nature, lignins are of particular interest for chemical conversions of lignocellulosic resources. Organosolv pulping processes generally provide higher purity lignins, with lower sugar and ash contents than is the case with conventional pulping technologies (kraft, sulfite or soda). The strategy for new organosolv biorefinery presented here was to sequentially remove the extractives before pulping. The products obtained from organosolv pulping of aspen wood with a Lewis acid catalyst were compared to those from processes performed with the same wood and solvent system, but without or with mineral acid as catalyst. The new strategy with Lewis acid catalyst developed in this study proved to allow more efficient recovery of high purity lignin, which was determined to have a high Klason, low sugars, volatiles and ash contents, while preserving a good portion of β‐O‐4 moieties ( 31 P and HSQC NMR), typical for native lignin. The thermal properties of this lignin were determined to be favorable to its transformation by electrospinning. It was successfully spun without need for any additives or modifications before electrospinning experiments.

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 seuil0,003

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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,011
Tête enseignante GPT0,206
Écart entre enseignants0,195 · 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

Citations22
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChemistrySelectMême sujetLignin and Wood ChemistryTravaux en français237 207