Production of Green Biocellulose Nanofibers Through Utilizing Agricultural Wastes
Notice bibliographique
Résumé
In the present study, the green Biocellulose Nanofibers (BC), a vitally emerging biomaterial, was produced by fermentation of wheat straw (WS), as a widely available agricultural waste, using. Two different fermentation methods were used; Separate Hydrolysis and Fermentation (SHF), and Simultaneous Saccharification and Fermentation (SSF). Different acidic and enzymatic WS pretreatment conditions were used to understand the effect of pretreatment conditions on BC production. Afterward, sugar hydrolsates were simultaneously or separately inoculated with Gluconacetobacter Xylinum bacterium (i.e., for SSF and SHF, respectively), at optimum production conditions in shake flasks for 7 days to produce the biocellulose nanofibers. BC productions of 9.7 g/L in SHF and 10.8 g/L in SSF were achieved when WS was pretreated with dilute acids. Enzymatic treatment of WS after acidic pretreatment increased sugars’ concentrations from the hydrolysis, which increased BC production in SHF to 10.6 g/L. However, enzymes in SSF broke cellulose I alpha linkage in BC and decreased its production compared to no enzymatic treatment. Results show that glucose extracted from WS (~55% of total sugars) was found essential for the cellular metabolism, while xylose (~28% of total sugars) was highly consumed during cells growth phase. Generally, increasing thermal treatment, time and temperature, resulted in increasing furfural concentration. This observed to inhibits bacterial cells growth and leads to lower nanofibers yield when exists at concentration higher than 1 g/L threshold. In general, results obtained in the present study demonstrate the ability of utilizing agricultural wastes in the fermentation production of BC. Such a step is expected to eliminate cost of expensive pure sugars as a carbon source in the fermentation. Also the study shows an improved production yield by using effective fermentation techniques as SSF compared to classical methods used in literature.
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) | 0,000 | 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 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 ».