MétaCan
Menu
Retour à la cohorte
Enregistrement W3206127131 · doi:10.1016/j.biortech.2021.126100

Current breakthroughs in the hardwood biorefineries: Hydrothermal processing for the co-production of xylooligosaccharides and bioethanol

2021· review· en· W3206127131 sur OpenAlexaff
Pablo G. del Río, Beatriz Gullón, Jie Wu, Jack Saddler, Gil Garrote, Aloia Romaní

Notice bibliographique

RevueBioresource Technology · 2021
Typereview
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésBiorefineryBiofuelPulp and paper industryRaw materialCelluloseRenewable energyBioenergyHardwoodEnzymatic hydrolysisChemistryCellulosic ethanolLigninHydrothermal circulationWaste managementSugarEnvironmental scienceHydrolysisFood scienceChemical engineeringEngineeringBotanyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The development of lignocellulosic biorefineries requires a first stage of pretreatment which enables the efficient valorization of all fractions present in this renewable material. In this sense, this review aims to show the main advantages of hydrothermal treatment as a first step of a biorefinery infrastructure using hardwood as raw material, as well as, main drawback to overcome. Hydrothermal treatment of hardwood highlights for its high selectivity for hemicelluloses solubilization as xylooligosaccharides (XOS). Nevertheless, the suitable conditions for XOS production are inadequate to achieve an elevate cellulose to glucose conversion. Hence, several strategies namely the combination of hydrothermal treatment with delignification process, in situ modification of lignin and the mixture with another renewable resources (concretely, seaweeds, and by-products generated in the food industry with high sugar content) were pinpointed as promising alternative to increase the final ethanol concentration coupled with XOS recovery in the hydrolysate.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,044
Tête enseignante GPT0,312
Écart entre enseignants0,268 · 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 source (Gemma direct ou Codex distillé), 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

Citations57
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioresource TechnologyMême sujetBiofuel production and bioconversionTravaux en français237 207