MétaCan
Menu
Retour à la cohorte
Enregistrement W2904018527 · doi:10.31472/ihe.4.2018.07

WORLD AND DOMESTIC EXPERIENCE OF BIOETHANOL PRODUCTION

2018· article· en· W2904018527 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueIndustrial Heat Engineering · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture Market Analysis Ukraine
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBiofuelRaw materialHemicelluloseEthanol fuelPulp and paper industryCelluloseBiotechnologyStarchFermentationSugarWaste managementEnvironmental scienceChemistryFood scienceEngineeringBiologyBiochemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The paper presents an overview of bioetanol production technologies. It is noted that world fuel ethanol production in 2017 amounted to more than 27,000 million gallons (80 million tons). Eight countries, namely the USA, Brazil, the EU, China, Canada, Thailand, Argentina, India, together produce about 98% of bioethanol. In Ukraine, the volume of bioethanol production by alcoholic factories in recent years has been gradually increasing and amounted to 2,992.8 ths. dal in 2017. The production of ethanol as an additive to gasoline, with regard to the raw materials used, as well as the corresponding technologies, is historically divided into three generations. The first generation of biofuels produced from food crops rich in sugar or starch is currently dominant.
 Production of advanced biofuels from non-food crop feedstocks is limited. Output is anticipated to remain modest in the short term, as progress is needed to improve technology readiness. The main stages of bioethanol production from lignocellulosic raw materials are pre-treatment, enzymatic hydrolysis and fermentation. The pre-treatment process aims to reduce of sizes of raw material particles, provision of the components exposure (hemicellulose, cellulose, starch), provision of better access for the enzymes (in fermentative hydrolysis) to the surface of raw materials, and reduction of crystallinity degree of the cellulose matrix. The pre-treatment process is a major cost component of the overall process. The pre-treatment process is highly recommended as it gives subsequent or direct yield of the fermentable sugars, prevents premature degradation of the yielded sugars, prevents inhibitors formation prior hydrolysis and fermentation, lowers the processing cost, and lowers the demand of conventional energy in general. From the perspective of efficiency, promising methods of pre-treatment of lignocellulosic raw materials to hydrolysis are combined methods combining mechanical, chemical and physical mechanisms of influence on raw materials. One method that combines several physical effects on a treated substance is the discrete-pulsed energy input (DPIE) method. The DPIE method can be applied in the pre- treatment of lignocellulosic raw material in the technology bioethanol production for intensifying the process and reducing energy consumption. Ref. 15, Fig. 2.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,259
Score d'incertitude au seuil0,148

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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)0,0000,000

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 Opus0,027
Tête enseignante GPT0,230
Écart entre enseignants0,202 · 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