Technoeconomic evaluation of protein‐rich animal feed and ethanol production from palm kernel cake
Notice bibliographique
Résumé
Abstract Indonesia and Malaysia are net importers of animal feed products to meet the demand of their domestic livestock industries. These countries are also the largest producers and exporters of palm kernel cake (PKC), an animal feed waste by‐product from the palm industry that is used primarily as a ruminant feed. Prior work demonstrated that the bioethanol process can convert the gluco‐mannan fiber in PKC into ethanol and a high‐protein animal feed. We used Microsoft Excel to develop a bioethanol process model for PKC by adapting the well developed corn ethanol process used in the USA. The PKC biorefinery model, using PKC's composition and specialized enzymes to produce fermentable glucose and mannose, projects that 1 kg of PKC can produce 0.58 kg of high‐protein animal feed and 0.20 kg of ethanol, with some residual palm kernel oil. The model estimated an increase in crude protein content from 17% in the PKC to 27% in the high‐protein animal feed. A comprehensive technoeconomic assessment using the results of the process model indicates that a PKC bioethanol factory converting 100 000 Mg year –1 of PKC would cost USD 55 million and generate a 23% project internal rate of return (IRR). © 2021 Society of Chemical Industry and John Wiley & Sons, Ltd
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».