Optimization of the Alcoholic Concentration Obtained From Sugary Cassava (Manihot esculenta Crantz) by Response Surface Methodology
Notice bibliographique
Résumé
Sugary cassava or mandiocaba is a cassava variety of potential use for bioethanol production. In this study, laboratory-scale fermentations were carried out in a bioreactor with a working volume of 1L, using the yeast strain LNF CAT-1. A central composite design (CCD) was applied to determine the extent to which pH, temperature, and yeast concentration influence ethanol production with the aim of improving the fermentation process. The individual effects and the interaction of these factors were analyzed using a surface response method. Physicochemical properties of the material were also investigated and the analysis of root characterization showed high moisture content (~91%) and a low amount of starch (~4.0%), ash values close to 1.0%, total fibers 0.4%, proteins 0.15%, and lipids 0.1%. The results obtained from the wort presented a low acidity (~0.2%), pH close to neutrality (~6.5%), total soluble solids values of ~5.8%, glucose content ~2.3%, fructose ~1.0%, and sucrose ~1.2%. The second-order polynomial regression model determined that the maximum ethanol production of 2.8% (v/v) would be obtained when the optimum pH, temperature, and yeast concentration were ~5.0, 32-36 ºC, and ~10-14 g L-1, respectively.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 ».