MétaCan
Menu
Retour à la cohorte
Enregistrement W2967416431 · doi:10.1002/bit.27137

The influence of lignin migration and relocation during steam pretreatment on the enzymatic hydrolysis of softwood and corn stover biomass substrates

2019· article· en· W2967416431 sur OpenAlexafffund
Masatsugu Takada, Richard P. Chandra, Jack Saddler

Notice bibliographique

RevueBiotechnology and Bioengineering · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensWestern Forest ProductsUniversity of British Columbia
Organismes subventionnairesJapan Society for the Promotion of ScienceNatural Sciences and Engineering Research Council of Canada
Mots-clésLigninCorn stoverSoftwoodCelluloseSteam explosionBiomass (ecology)Enzymatic hydrolysisChemistryPulp and paper industryStoverCellulaseHydrolysisAgronomyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

To be effective, steam pretreatment is typically carried out at temperatures/pressures above the glass transition point (Tg) of biomass lignin so that it can partly fluidize and relocate. The relocation of Douglas-fir and corn stover derived lignin was compared with the expectation that, with the corn stover lignin's lower hydrophobicity and molecular weight, it would be more readily fluidized. It was apparent that the Tg of lignin decreased as the moisture increased, with the easier access of steam to the corn stover lignin promoting its plasticization. Although the softwood lignin was more recalcitrant, when it was incorporated onto filter paper, it too could be plasticized, with its relocation enhancing enzymatic hydrolysis. When lignin recondensation was minimized, the increased hydrophobicity suppressed lignin relocation. It was apparent that differences in the accessibility of the lignin present in Douglas-fir and corn stover to steam significantly impacted lignin fluidization, relocation, and subsequent cellulose hydrolysis.

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 enseignants0,002
Score d'incertitude au seuil0,004

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)0,0010,000

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 Opus0,004
Tête enseignante GPT0,162
Écart entre enseignants0,159 · 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

Citations71
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiotechnology and BioengineeringMême sujetBiofuel production and bioconversionTravaux en français237 207