MétaCan
Menu
Retour à la cohorte
Enregistrement W3087497953 · doi:10.3390/fermentation6030092

A Comprehensive Understanding of Electro-Fermentation

2020· article· en· W3087497953 sur OpenAlexaff
Drishti Dinesh Bhagchandanii, Rishi Babu, Jayesh M. Sonawane, Namita Khanna, Soumya Pandit, Dipak A. Jadhav, Santimoy Khilari, Ram Prasad

Notice bibliographique

RevueFermentation · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMicrobial Fuel Cells and Bioremediation
Établissements canadiensUniversity of Toronto
Organismes subventionnairesSharda University
Mots-clésIndustrial fermentationMicrobial fuel cellFermentationBiochemical engineeringMethanogenesisBiomass (ecology)BacteriaMicrobial metabolismPulp and paper industryChemistryBiologyBiochemistryElectrodeEngineeringEcology

Résumé

récupéré en direct d'OpenAlex

Electro-fermentation (EF) is an upcoming technology that can control the metabolism of exoelectrogenic bacteria (i.e., bacteria that transfer electrons using an extracellular mechanism). The fermenter consists of electrodes that act as sink and source for the production and movement of electrons and protons, thus generating electricity and producing valuable products. The conventional process of fermentation has several drawbacks that restrict their application and economic viability. Additionally, metabolic reactions taking place in traditional fermenters are often redox imbalanced. Almost all metabolic pathways and microbial strains have been studied, and EF can electrochemically control this. The process of EF can be used to optimize metabolic processes taking place in the fermenter by controlling the redox and pH imbalances and by stimulating carbon chain elongation or breakdown to improve the overall biomass yield and support the production of a specific product. This review briefly discusses microbe-electrode interactions, electro-fermenter designs, mixed-culture EF, and pure culture EF in industrial applications, electro methanogenesis, and the various products that could be hence generated using this process.

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 enseignants0,005
Score d'incertitude au seuil0,017

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
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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 Opus0,052
Tête enseignante GPT0,240
Écart entre enseignants0,188 · 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

Citations88
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFermentationMême sujetMicrobial Fuel Cells and BioremediationTravaux en français237 207