MétaCan
Menu
Retour à la cohorte
Enregistrement W2977675662 · doi:10.1002/clen.201900101

Development and Characterization of Lignin‐Based Hydrogel for Use in Agricultural Soils: Preliminary Evidence

2019· article· en· W2977675662 sur OpenAlexaff
Najmeh Mazloom, Reza Khorassani, Gholamhossein Zohuri, Hojat Emami, Joann K. Whalen

Notice bibliographique

RevueCLEAN - Soil Air Water · 2019
Typearticle
Langueen
DomaineEngineering
ThématiquePolymer-Based Agricultural Enhancements
Établissements canadiensMcGill University
Organismes subventionnairesFerdowsi University of Mashhad
Mots-clésSelf-healing hydrogelsLigninDistilled waterSoil waterWater retentionChemistrySuperabsorbent polymerSwellingBiodegradationPolymerChemical engineeringPulp and paper industryOrganic chemistryEnvironmental scienceChromatography

Résumé

récupéré en direct d'OpenAlex

Abstract In arid and semi‐arid regions of the world, agricultural production is greatly limited by water scarcity and inefficient water use. Water‐absorbent hydrogels are a technological solution that can retain soil water for plants. A lignin‐based hydrogel as a natural plant‐based water absorbent is prepared from lignin alkali polymers and poly(ethylene glycol) diglycidyl ether (PEGDGE) in adjusted alkali (NaOH) solution. The maximum swelling capacity of the hydrogel is achieved in 1.5 m NaOH with 0.5 mmol PEGDGE g. Water swelling capacity is 34 g g dry weight of hydrogel in distilled water, which is reduced to 53% and 64% in 0.1 m NaCl and 0.1 m CaCl 2 solution, respectively. Biodegradability and phytotoxicity tests show that 6.5% of the sample mass decomposed after 40 days of incubation in soil solution media and the hydrogel is not phytotoxic to wheat seeds. These findings support the use of the lignin‐based hydrogel as an environmentally friendly additive to promote water retention in dry, saline soils. Due to the limitations of this study, further assessments are needed in order to understand the efficiency of lignin‐based hydrogel application in different soils with different biota.

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 seuil0,002

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 Opus0,018
Tête enseignante GPT0,204
Écart entre enseignants0,186 · 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

Citations41
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCLEAN - Soil Air WaterMême sujetPolymer-Based Agricultural EnhancementsTravaux en français237 207