Green extraction of bioactive components from carrot industry waste and evaluation of spent residue as an energy source
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Carrot processing industries produce 25-30% of waste in the form of carrot rejects, peels, and pomace which contain a large amount of high-value bioactive components. Green extraction of the bioactive components from carrot rejects with green solvents using closed-vessel energy-intensive microwave-assisted extraction was the objective of this work. In this work, three experimental studies were implemented. One uses 8 different green solvents for maximum yield of bioactive using green technology, and the other for the optimization of Microwave-assisted Extraction (MAE) parameters to enhance the bioactive components yield. Response Surface Methodology was employed to optimize the processing parameters including temperature, time, solid to solvent ratio, and solvent type. The optimized extraction conditions: treatment temperature of 50 °C for 5 min gave a significantly higher yield of total carotenoids (192.81 ± 0.32 mg carotenoids/100 g DW), total phenolic (78.12 ± 0.35 g GAE/100 g DW), and antioxidants by FRAP (5889.63 ± 0.47 mM TE/100 g DW), ABTS (1143.65 ± 0.81 mM TE/100 g DW), and DPPH (823.14 ± 0.54 mM TE/100 g DW) using a solvent combination of hexane and ethanol (1:3) with solid to solvent ratio of 1:40 (w/v). This green technology in combination with GRAS solvents promoted the best recovery of bioactive from carrot rejects. Moreover, the solid residue remained after the extraction of bioactive components exhibited higher carbon content (46.5%) and calorific value (16.32 MJ/kg), showcasing its potential to be used as an energy source.
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.
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 | 0,000 |
| 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) | 0,001 | 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 découle