MétaCan
Menu
Retour à la cohorte
Enregistrement W3137127177 · doi:10.1021/acs.energyfuels.0c04121

Cannabis as a Feedstock for the Production of Chemicals, Fuels, and Materials: A Review of Relevant Studies To Date

2021· review· en· W3137127177 sur OpenAlexafffund
Francisco Pascual Gomez, Jinguang Hu, Matthew A. Clarke

Notice bibliographique

RevueEnergy & Fuels · 2021
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueGABA and Rice Research
Établissements canadiensUniversity of Calgary
Organismes subventionnairesUniversity of Calgary
Mots-clésRaw materialBioproductsCannabisAgricultureBiofuelSustainabilityCommodity chemicalsRenewable energyProduction (economics)Fossil fuelBiomass (ecology)Renewable fuelsNatural resource economicsBusinessWaste managementBiotechnologyEngineeringEnvironmental scienceEconomicsChemistry

Résumé

récupéré en direct d'OpenAlex

As societies place greater emphasis on sustainability, there is a move toward creating a circular economy in which renewable resources, such as agriculture and forestry residues, serve as feedstocks in the production of energy and chemicals. One emerging agricultural commodity that may potentially serve as a feedstock for numerous chemicals and materials is cannabis. For most of the last one hundred years the use of cannabis as a biomass feedstock has been all but impossible, due to its legal status. However, over the last 20 years the changing legal status of cannabis has resulted in a large number of studies which have investigated cannabis as a feedstock for diverse bioproducts, including polymers, pulp, and biofuels. Being a relatively new agricultural commodity, the literature on chemicals, fuels, and materials derived from cannabis is spread across numerous disparate disciplines, such as engineering, agriculture, chemistry, and biology. Thus, the purpose of this review is to compile and summarize the relevant studies that illustrate the use of cannabis as a feedstock in the production of chemicals, fuels, and materials as well as to highlight the challenges and possibilities for future research opportunities.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,939
Score d'incertitude au seuil0,251

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
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 Opus0,094
Tête enseignante GPT0,367
Écart entre enseignants0,273 · 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'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

Citations17
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetGABA and Rice ResearchTravaux en français237 207