Bioethanol Production from Biologically Pretreated Prosopis africana Pods using Pichia kudriavzevii SY4
Notice bibliographique
Résumé
High costs and ethical issues have prompted research into novel non-food feedstocks for the fermentation-based manufacture of sustainable fuels. In this study, Prosopis africana pods (PAP), an underutilized substrate, was examined for its ability to produce bioethanol. The biomass was pretreated with four mushrooms to delignify it and enhance hydrolysis. A scanning electron microscopy (SEM) was performed on raw and pretreated PAP. The optimum hydrolysis conditions for the pretreated biomass were then determined using the Design of Experiment (DOE) approach. The acid type (HNO3 and H3PO4), concentration (1 %, 3 % and 5 %), solid loading (SL; 5 %, 10 % and 20 %) and contact time (15, 30 and 60 minutes) were optimized using a full-factorial design. The most tolerant yeast isolate from different sources was then molecularly identified after being tested for ethanol tolerance. A half-factorial design was used to screen the fermentation factors, and the Box-Behnken design was used to optimize the relevant components. Ganoderma lucidum showed the most luxurious growth during PAP pretreatment and SEM revealed reduction in biomass crystallinity. The hydrolysis conditions of 5 % HNO3, 20 % SL and 15 minutes contact time were optimal, producing 43.37 0.35 g/L of reducing sugars. The most ethanol-tolerant strain, identified as Pichia kudriavzevii SY4, produced 38.26 g/L bioethanol concentration after RSM optimisation. Similarly, optimisation raised bioethanol concentrations from 26.62 0.00 to 38.26 0.18 g/L, a 43.73 % increase. This work is the first report on utilising Prosopis africana pods in bioethanol production.
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 | 0,001 |
| 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 ».