Optimization of supercritical fluid extraction of isoflavone from soybean meal
Notice bibliographique
Résumé
Abstract This study aims at developing a mathematical model to predict the yield of isoflavone from soybean meal in a supercritical extraction process using carbon dioxide and aqueous methanol as a co‐solvent and to optimize the process using a genetic algorithm. In the model, a partial differential equation based conservation of mass was solved to predict the yield of isoflavone extraction. The model parameters such as densities of carbon dioxide and co‐solvent methanol, the mixture viscosity, the binary diffusion coefficient of isoflavone in the supercritical solvents, the film mass transfer coefficient, effective diffusivity, and axial dispersion coefficient were estimated using available correlations, and the solubility was estimated using the Mohsen‐Nia‐Moddaress‐Mansoori equation of state. The model was successfully validated with experimental data. In the optimization, the operating conditions of the isoflavone extraction process were identified as decision variables and a profit function was maximized. The optimum was found under the condition in which the carbon dioxide flow rate was 5.88 kg/h and the particle diameter was 0.68 mm, when the temperature was 323.15 K, the pressure was 59.45 MPa, and the extraction time was 283 min. The maximum profit found under these optimum conditions was 46.18 $ per batch.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».