MétaCan
Menu
Retour à la cohorte
Enregistrement W2942129598 · doi:10.1007/s11705-019-1814-3

Synthesis of hydroxymethylfurfural and furfural from hardwood and softwood pulp using ferric sulphate as catalyst

2019· article· en· W2942129598 sur OpenAlexaff
Agneev Mukherjee, Guillermo Portillo‐Perez, Marie‐Josée Dumont

Notice bibliographique

RevueFrontiers of Chemical Science and Engineering · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueCatalysis for Biomass Conversion
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésSoftwoodHardwoodFurfuralChemistryFerricPulp (tooth)Cellulosic ethanolCatalysisOrganic chemistryPulp and paper industryCelluloseBotany

Résumé

récupéré en direct d'OpenAlex

Hydroxymethylfurfural (HMF) and furfural are promising chemicals for the creation of a bio-based economy. The development of an inexpensive catalytic system for converting cellulosic biomass into these chemicals is an important step in this regard. Ferric sulphate is a common, cheap and non-toxic Lewis acid that has been used to catalyse reactions such as wood depolymerisation. In this work, ferric sulphate was used to help the production of HMF and furfural from hardwood and softwood pulps. It was found that for hardwood pulp, the use of ferric sulphate alone gave a maximum HMF yield of 31.6 mol-%. The addition of the ionic liquid [BMIM]Cl or HCl as co-catalysts did not lead to an increase in the yields obtained. A prior decationisation step, however, resulted in HMF yields of 50.4 mol-%. Softwood pulp was harder to depolymerise than hardwood, with a yield of 28.7% obtained using ferric sulphate alone. The maximum HMF yield from softwood, 37.9 mol-%, was obtained using a combination of ferric sulphate and dilute HCl. It was thus concluded that ferric sulphate is a promising catalyst for HMF synthesis from cellulosic biomass.

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)0,0010,001

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 Opus0,003
Tête enseignante GPT0,171
Écart entre enseignants0,168 · 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

Citations18
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers of Chemical Science and EngineeringMême sujetCatalysis for Biomass ConversionTravaux en français237 207