Cold Ethanol Extraction of Cannabinoids and Terpenes from Cannabis Using Response Surface Methodology: Optimization and Comparative Study
Notice bibliographique
Résumé
Efficient cannabis biomass extraction can increase yield while reducing costs and minimizing waste. Cold ethanol extraction was evaluated to maximize yield and concentrations of cannabinoids and terpenes at different temperatures. Central composite rotatable design was used to optimize two independent factors: sample-to-solvent ratio (1:2.9 to 1:17.1) and extraction time (5.7 min–34.1 min). With response surface methodology, predicted optimal conditions at different extraction temperatures were a cannabis-to-ethanol ratio of 1:15 and a 10 min extraction time. With these conditions, yields (g 100 g dry matter−1) were 18.2, 19.7, and 18.5 for −20 °C, −40 °C and room temperature, respectively. Compared to the reference ground sample, tetrahydrocannabinolic acid changed from 17.9 (g 100 g dry matter−1) to 15, 17.5, and 18.3 with an extraction efficiency of 83.6%, 97.7%, 102.1% for −20 °C, −40 °C, and room temperature, respectively. Terpene content decreased by 54.1% and 32.2% for extraction at −20 °C and room temperature, respectively, compared to extraction at −40 °C. Principal component analysis showed that principal component 1 and principal component 2 account for 88% and 7.31% of total variance, respectively, although no significant differences in cold ethanol extraction at different temperatures were observed.
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 | 0,000 |
| 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) | 0,000 | 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 ».