MétaCan
Menu
Retour à la cohorte
Enregistrement W4251911175 · doi:10.2174/2211334711104020207

Recent Patented Applications of Ion-Exchange Membranes in the Agrifood Sector

2011· article· en· W4251911175 sur OpenAlexaff
Laurent Bazinet, Loubna Firdaous

Notice bibliographique

RevueRecent Patents on Chemical Engineering · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésElectrodialysisDemineralizationIon exchangeMembraneIon-exchange membranesChemistryPulp and paper industryFood sectorWaste managementMaterials scienceEngineeringIonBiologyBiochemistryOrganic chemistryAgriculture

Résumé

récupéré en direct d'OpenAlex

Ion-exchange membranes (IEM) are used in the agri-food sector since the early 1950s. Their main applications are based on the demineralization of agri-food products or effluents. In these applications, anion- and cation-exchange membranes are stacked alternatively in an electrodialysis cell to produce two solutions, one concentrated and one impoverished in minerals. In this article we will focus on the recent patents published in the 5 last years and presenting the more recent uses and applications of ion-exchange membranes in this sector. These patents concerns mainly, the rectification of wine and grape juice, the production of salt and concentrated mineral solutions, the production of drinking water and functional drinking water, the demineralization of dairy and plants products, the production of sugar derivates, the bacterial decontamination of solution and the demineralization and purification of fermentation broth. These approaches will be discussed in terms of originality and novelty in comparison with current applications, as well as for their potential of application in the sector. Keywords: Ion-exchange membranes, electrodialysis, biotechnology, food

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,008
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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 Opus0,033
Tête enseignante GPT0,201
Écart entre enseignants0,168 · 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

Citations1
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRecent Patents on Chemical EngineeringMême sujetBiofuel production and bioconversionTravaux en français237 207