Green extraction of bioactive components from carrot industry waste and evaluation of spent residue as an energy source
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 ».