Optimization of Yeast, Sugar and Nutrient Concentrations for High Ethanol Production Rate Using Industrial Sugar Beet Molasses and Response Surface Methodology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Among the various agro-industrial by-products, sugar beet molasses produced by sugar refineries appear as a potential feedstock for ethanol production through yeast fermentation. A response surface methodology (RSM) was developed to better understand the effect of three process parameters (concentration of nutrient, yeast and initial sugar) on the ethanol productivity using diluted sugar beet molasses and Saccharomyces cerevisiae yeast. The first set of experiments performed at lab-scale indicated that the addition of 4 g/L of nutrient combined with a minimum of 0.2 g/L of yeast as well as a sugar concentration lower than 225 g/L was required to achieve high ethanol productivities (>15 g/L/d). The optimization allowed to considerably reduce the amount of yeast initially introduced in the fermentation substrate while still maximizing both ethanol productivity and yield process responses. Finally, scale-up assays were carried out in 7.5 and 100 L bioreactors using the optimal conditions: 150 g/L of initial sugar concentration, 0.27 g/L of yeast and 4 g/L of nutrient. Within 48 h of incubation, up to 65 g/L of ethanol were produced for both scales, corresponding to an average ethanol yield and sugar utilization rate of 82% and 85%, respectively. The results obtained in this study highlight the use of sugar beet molasses as a low-cost food residue for the sustainable production of bioethanol.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 découle