Broadening the product portfolio with cellulose and lignin nanoparticles in an elephant grass biorefinery
Notice bibliographique
Résumé
Abstract Cellulose and lignin nanoparticles are high‐value‐added products obtained from lignocellulosic biomasses through several steps of cellulose purification and lignin extraction. These steps drastically reduce the potential feedstock revenue when carried out as stand‐alone methodologies. To increase biomass yields, we describe here a strategy to design a biorefinery focused on producing cellulose and lignin nanoparticles as main products, but also aim to recover and benefit from other biomass components using only water‐based processes. Sequential pressurized liquid extractions and diluted acid and alkaline treatments were carried out to fractionate elephant grass biomass, yielding (for every 100 g of biomass): 30 g of cellulose pulp (converted to 9 g of cellulose nanocrystals and 9 g of cellulose nanofibers); 10 g of lignin (used to produce 8.5 g of stable colloidal lignin nanoparticles by probe‐sonication in water); 7.5 g of extractives (e.g . sterols and phenolics) and 23 g of xylose (converted to 4.1 g of furfural). Alternatively, to allow for the flexible use of the cellulose fraction in the proposed biorefinery, 22 g of glucose could be produced by enzymatic hydrolysis. The results demonstrate that water‐based processes are suitable for a holistic use of biomass, providing a comprehensive set of high‐value‐added co‐products that are renewable and cost‐effective chemical, cosmetic, food, polymer and pharmaceutical solutions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».