Synergism of enzymes in chemical pulp bleaching from an industrial point of view: A critical review
Notice bibliographique
Résumé
Abstract Enzymes are biological catalysts and are very specific, catalyzing either a single chemical reaction or a limited number of closely related reactions. For example, xylanases are enzymes that catalyze the cleavage of polymeric xylan and thereby break down this hemicellulose. The first xylanase enzyme preparations used in the bleaching process of chemical pulp also contained cellulase, which catalyzes the hydrolysis of cellulose. This obviously had an adverse effect on pulp yield and quality. Unfortunately, this setback gave enzyme‐assisted pulp bleaching a negative reputation. At a later stage, enzyme producers managed to engineer enzyme production strains that generated cellulase‐free xylanase preparations. However, due to the initial negative experiences with the earlier enzyme mixtures, only a limited number of companies in the pulp industry have seriously considered using these so‐called second‐generation enzymes in their bleach plants. It is apparent that these improved enzyme preparations would bring about significant benefits in terms of chemical cost savings and effluent quality. In addition to xylanase‐aided bleaching, it is possible to improve the effectivity further by adding other enzymes, such as lipase and esterase, to create an enzyme cocktail. This may be particularly beneficial in the bleaching of hardwood pulp, such as white birch, which often encounters complex and troublesome problems with wood extractives. By adding different types of enzymes at more than one position in the fiberline, even further improvements are possible. The main objective of this review is to discuss the advantages of incorporating modern enzyme preparations in the bleaching of chemical pulp.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».