MétaCan
Menu
Retour à la cohorte
Enregistrement W3093091478 · doi:10.3390/membranes10100287

Integrating Pressure-Driven Membrane Separation Processes to Improve Eco-Efficiency in Cheese Manufacture: A Preliminary Case Study

2020· article· en· W3093091478 sur OpenAlexafffundabout
Scott Benoit, Julien Chamberland, Alain Doyen, Manuele Margni, Christian Bouchard, Yves Pouliot

Notice bibliographique

RevueMembranes · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRecycling and Waste Management Techniques
Établissements canadiensPolytechnique MontréalUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNovalait
Mots-clésUltrafiltration (renal)MicrofiltrationMembraneSeparation processSeparation (statistics)StandardizationMembrane technologyProcess engineeringProcess (computing)ChemistryProfitability indexDairy industryPulp and paper industryBiochemical engineeringChromatographyFood scienceMathematicsBusinessComputer scienceEngineeringBiochemistry

Résumé

récupéré en direct d'OpenAlex

Pressure-driven membrane separation processes are commonly used in cheese milk standardization. Using ultrafiltration (UF) or microfiltration (MF), membrane separation processes make it possible to concentrate the milk proteins and increase the yields of cheese vats. However, the contribution of membrane separation processes to the environmental impact and economical profitability of dairy processes is still unclear. The objective of this study was to evaluate the contribution of membrane separation processes to the eco-efficiency of cheddar cheese production in Québec (Canada) using process simulation. Three scenarios were compared: two included UF or MF at the cheese milk standardization step, and one did not incorporate membrane separation processes. The results showed that even if membrane separation processes make it possible to increase vat yields, they do not improve the eco-efficiency of cheddar cheese processes. However, membrane separation processes may benefit the eco-efficiency of the process more when used for byproduct valorization.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,280
Score d'incertitude au seuil0,834

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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)0,0000,000

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 Opus0,015
Tête enseignante GPT0,276
Écart entre enseignants0,262 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations10
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueMembranesMême sujetRecycling and Waste Management TechniquesTravaux en français237 207