تعیین روش بهینه برای استخراج سیلیکای فعال از پوسته برنج به عنوان یک پسماند کشاورزی
Notice bibliographique
Résumé
پوسته برنج محصول جانبی عمده در صنعت عمل?آوری برنج است. در تحقیق حاضر روشی بهینه برای استخراج سیلیکای بی?شکل از پوسته برنج ارائه گردیده و تأثیر تیمارهایی شامل تیمار خیساندن و شستشو روی خلوص سیلیکای استخراجی بررسی شده است. اهمیت بی?شکل بودن سیلیکای به دست آمده در این است که سیلیکا در شکل بی شکل، فعال و واکنش?پذیر است. ابتدا پوسته برنج از طریق کلسینه کردن به خاکستر تبدیل شد و سپس سیلیکا به وسیله محلول قلیایی مناسب از خاکستر پوسته برنج استخراج گردید. بدین منظور، ابتدا با انجام عمل خیساندن روی پوسته برنج و تیمار حرارتی در 700 درجه سانتیگراد، خاکستر سفید به دست آمد. در مرحله بعد، انحلال قلیایی خاکستر سفید با محلول دو مولار هیدروکسید سدیم و نهایتا رسوب?دهی آن با هیدروکلریدریک اسید منجر به استخراج سیلیکای فعال و دارای خلوص بالا گردید. کیفیت و خلوص سیلیکای استخراج شده به وسیله دستگاه?های فلورسانس پرتو ایکس و پراش پرتو ایکس مورد بررسی قرار گرفت. مزیت روش استفاده شده در تحقیق حاضر نسبت به روشهای کلاسیک تولید سیلیکا در این است که مصرف انرژی در این روش کمتر شده، دمای استخراج به شدت کاهش یافته است و ماده اولیه استخراج سیلیکا به وفور در دسترس می?باشد.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,087 | 0,054 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».