MétaCan
Menu
Retour à la cohorte
Enregistrement W4210361234 · doi:10.3390/fermentation8020058

Bioethanol Production as an Alternative End for Maple Syrups with Flavor Defects

2022· article· en· W4210361234 sur OpenAlexaff
Júlia Maria de Medeiros Dantas, André Álvares Monge Neto, Thierry Ghislain, Jean‐Michel Lavoie

Notice bibliographique

RevueFermentation · 2022
Typearticle
Langueen
DomaineChemistry
ThématiquePlant-Derived Bioactive Compounds
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésChemistryMapleFlavorEthanol fuelHydrolysateFood scienceEthanolHydrolysisFermentationEthanol fermentationRaw materialChromatographyBotanyBiochemistryOrganic chemistryBiology

Résumé

récupéré en direct d'OpenAlex

The purpose of this paper is to demonstrate the validity of an alternative route to valorize declassified maple syrups affected by flavor defects such as ropy maple syrup (RMS) and buddy maple syrup (BMS) as feedstocks for ethanol production. An acid hydrolysis treatment (0.1 M, 0.5 M, 5 M, and 10 M) was performed on the RMS to break the polysaccharide chains which are responsible for the flavor defect. The sugars and inhibitors composition of these hydrolysates were analyzed by ion chromatography and ion exclusion chromatography, respectively. Maple syrup samples were fermented by Saccharomyces cerevisiae for 96 h at 30 °C, and ethanol content was measured to determine the kinetic parameters of the process. RMS and BMS demonstrated a good potential to be used as feedstocks to produce ethanol achieving high efficiencies (RMS: 90.08%; BMS: 93.34%). The acid hydrolysis (25 min, 50 °C, with the addition of 5 M sulfuric acid solution) was effective to maximize ethanol production when using RMS as feedstock. To the best of our knowledge, it is the first time that such an approach is used to valorize declassified maple syrups.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,281
Écart entre enseignants0,256 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFermentationMême sujetPlant-Derived Bioactive CompoundsTravaux en français237 207