MétaCan
Menu
Retour à la cohorte
Enregistrement W2964591337 · doi:10.1016/j.heliyon.2019.e02140

The effects of temperature and duration of thermal pretreatment on the solid-state anaerobic digestion of dairy cow manure

2019· article· en· W2964591337 sur OpenAlexafffund
Wilton P.A. McVoitte, O. Grant Clark

Notice bibliographique

RevueHeliyon · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAnaerobic Digestion and Biogas Production
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésBiogasAnaerobic digestionManureMethaneCow dungYield (engineering)Cellulosic ethanolChemistryPulp and paper industryAnimal scienceAnaerobic exerciseBioenergyMesophileEnvironmental scienceBiotechnologyCelluloseBiofuelAgronomyWaste managementMaterials scienceBiologyBiochemistryEngineeringFertilizerOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Cellulosic substrates such as dairy cow manure often yield low volumes of biogas and low concentrations of methane when digested anaerobically. Thermal pretreatment of dairy cow manure was investigated to determine if pretreatment temperature and duration can be optimized to maximize biogas yield and methane concentration. A central composite rotatable design was used to select combinations of temperature and duration. Based on measured data, statistical models were generated to estimate the biogas yield and methane concentration during digestion. The highest biogas yields were from the untreated samples and samples treated at the center temperature and duration of the statistical model (125 °C, 37.5 min). The model predicted the optimum pretreatment conditions of 140 °C for 30 minutes. Under the conditions of this experiment, temperature and duration had no significant effect on the biogas yield and methane concentration. This lack of significance may indicate that thermal pretreatment may be an unnecessary step in the anaerobic digestion of dairy cow manure, which could reduce capital and operating costs for the industry.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,003
Tête enseignante GPT0,190
Écart entre enseignants0,187 · 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

Citations47
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHeliyonMême sujetAnaerobic Digestion and Biogas ProductionTravaux en français237 207