Modeling the microbial pretreatment of camelina straw and switchgrass by Trametes versicolor and Phanerochaete chrysosporium via solid-state fermentation process: A growth kinetic sub-model in the context of biomass-based biorefineries
Notice bibliographique
Résumé
Advancing microbial pretreatment of lignocellulose has the potential not only to reduce the carbon footprint and environmental impacts of the pretreatment processes from cradle-to-grave, but also increase biomass valorization, support agricultural growers, and boost the bioeconomy. Mathematical modeling of microbial pretreatment of lignocellulose provides insights into the metabolic activities of the microorganisms as responses to substrate and environment and provides baseline targets for the design, development, and optimization of solid-state-fermentation (SSF) bioreactors, including substrate concentrations, heat and mass transfer. In this study, the growth of Trametes versicolor 52J (TV52J), Trametes versicolor m4D (TVm4D), and Phanerochaete chrysosporium (PC) on camelina straw (CS) and switchgrass (SG) during an SSF process was examined. While TV52J illustrated the highest specific growth rate and maximum cell concentration, a mutant strain deficient in cellulose catabolism, TVm4D, performed best in terms of holocellulose preservation and delignification. The hybrid logistic-Monod equation along with holocellulose consumption and delignification models described well the growth kinetics. The oxygen uptake rate and carbon dioxide production rate were directly correlated to the fungal biomass concentration; however, a more sophisticated non-linear relationship might explain those correlations better than a linear model. This study provides an informative baseline for developing SSF systems to integrate fungal pretreatment into a large-scale, on-farm, wet-storage process for the utilization of agricultural residues as feedstocks for biofuel 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 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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».