MétaCan
Menu
Retour à la cohorte
Enregistrement W4312221847 · doi:10.1016/j.engmic.2022.100068

Greener approach to the comprehensive utilization of algal biomass and oil using novel Clostridial fusants and bio-based solvents

2022· article· en· W4312221847 sur OpenAlexaff
Asma Fiayaz, Yaser Dahman

Notice bibliographique

RevueEngineering Microbiology · 2022
Typearticle
Langueen
DomaineEnergy
ThématiqueAlgal biology and biofuel production
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésBiomass (ecology)Pulp and paper industryBiochemical engineeringChemistryBiotechnologyEnvironmental scienceBiologyEngineeringEcology

Résumé

récupéré en direct d'OpenAlex

A greener method has been tested to utilize algal biomass as a feedstock to produce bio-oil in addition to acetone, butanol, and ethanol (ABE) products. Various hydrolysis treatments were used prior to fermentation including combination of thermal, chemical, and enzymatic, which resulted in maximum sugar release of 27.78 g/L. Bio-based terpenes was used instead of common toxic chemicals together with Clostridial fustants to produce bio-alcoholic fuels. Protoplast fusion technique were used to produce the novel Clostridia fusants (C. beijernickii + C. thermocellum and C. acetobutylicum + C. thermocellocum). Fused strains were then subjected to UV radiation for strain enhancement. Final fusansts showed clear improvement in thermal stability and resistance to biobutanol toxicity. Fermentation experiments showed maximum biobutanol final production of 7.98 g/L using CbCt versus 7.39 g/L using CaCt. Oil extraction from virgin algae was tested using a green, bio-based approach using terpenes with ultrasonication and green Bligh and Dyer method, separately. In preliminary study on algal biomass, the combinations of ultrasonication followed by the green Bligh and Dyer have resulted in oil yield of 46.27% (d-limonene) and 39.85% (p-cymene). Oil extraction from an algae sample following fermentation using the combined extraction method resulted in significantly higher oil yield of 65.04%.

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)0,0010,000
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 Opus0,034
Tête enseignante GPT0,227
Écart entre enseignants0,193 · 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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEngineering MicrobiologyMême sujetAlgal biology and biofuel productionTravaux en français237 207