MétaCan
Menu
Retour à la cohorte
Enregistrement W3041614764 · doi:10.1016/j.jobab.2020.07.002

Conversion of biomass lignin to high-value polyurethane: A review

2020· review· en· W3041614764 sur OpenAlexvenueno aff
Hui Li, Pengcheng Li, Chaobin He

Notice bibliographique

RevueJournal of Bioresources and Bioproducts · 2020
Typereview
Langueen
DomaineEngineering
ThématiqueLignin and Wood Chemistry
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésLigninDepolymerizationPulp and paper industryPolyurethanePulp (tooth)Biomass (ecology)Raw materialValue addedAlkylationBiorefiningOrganic chemistryMaterials scienceChemistryBiorefineryCatalysis

Résumé

récupéré en direct d'OpenAlex

Lignin, as a major by-product of pulp and paper industry, has attracted extensive interest for the preparation of high value-added products, due to the merits of abundant, sustainable, inexpensive, and unique functional groups. This review focuses on the strategies to develop high performance polyurethane (PU) materials from lignin on the basis of main reports, in which lignin was used not only as macromonomer to substitute petroleum-based polyols, but also as blending filler for PU industry. Pre-treatment approaches, especially lignin fractions extracted with various solvents and chemical modifications, e.g., depolymerization, hydroxyalkylation, dealkylation, and esterication, were widely explored to enable lignin more reactive and available to synthesize PU products. In addition, lignin/PU blends were also prepared to fulfill industrial demand. With adjustment of lignin structure, the PU formulation, and synthesis procedures, various lignin-based PU products with advanced properties and a higher bio-substitution ratio have been developed, demonstrating the potential industrial application of lignin for high value-added sustainable materials.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,012
Tête enseignante GPT0,243
Écart entre enseignants0,231 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations180
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Bioresources and BioproductsMême sujetLignin and Wood ChemistryTravaux en français237 207