MétaCan
Menu
Retour à la cohorte
Enregistrement W2808929023 · doi:10.1002/cjce.23289

Modelling of cross‐flow microfiltration coupled with bentonite treatment in sugar beet molasses purification

2018· article· en· W2808929023 sur OpenAlexvenueno aff
Miljana Djordjević, Zita Šereš, Tatjana Došenović, Dragana Šoronja–Simović, Nikola Maravić, Žana Šaranović, Laslo Šereš, Marina Šćiban, Marijana Djordjević

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensnon disponible
Organismes subventionnairesNemzeti Kutatási Fejlesztési és Innovációs HivatalMinistarstvo Prosvete, Nauke i Tehnološkog Razvoja
Mots-clésMicrofiltrationBentoniteChemistrySugar beetSugarChromatographyPulp and paper industryTurbiditySucroseMembraneMaterials scienceChemical engineeringFood scienceAgronomyBiochemistry

Résumé

récupéré en direct d'OpenAlex

Abstract The removal of colourants and other non‐sucrose compounds from sugar beet molasses opens the possibility for more acceptable and effective recovery of sucrose, which is the most valuable sugar industry product. In the presented study, the feasibility of the sugar beet molasses purification process, which combines sodium bentonite pre‐treatment and microfiltration with an embedded static mixer, was examined. Molasses pre‐treatment with sodium bentonite consisted of a bentonite suspension addition (7 g/L) under the following conditions: pH 5, temperature 50 °C, and contact time 30 min. Sugar beet molasses separation from bentonite was performed by cross‐flow microfiltration using a 200 nm TiO2 ceramic tubular membrane with static mixer absence or presence and variation in the sugar beet molasses flow rate and dry substance. The molasses purification process efficiency was validated through the permeate flux values as well as colour and turbidity measurements. Higher molasses colour (20–60 %) and turbidity reduction (83.4–99.2 %) was achieved in the experiments with static mixer absence, while static mixer introduction greatly increased the final and especially steady‐state permeate flux.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
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 Opus0,016
Tête enseignante GPT0,213
Écart entre enseignants0,198 · 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'étudeSimulation ou modélisation
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

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetMembrane Separation TechnologiesTravaux en français237 207