MétaCan
Menu
Retour à la cohorte
Enregistrement W4365505135 · doi:10.1016/j.eti.2023.103146

A novel clean bio-pulping process for rice straw based on aerobic fermentation coupled with mechanical refining

2023· article· en· W4365505135 sur OpenAlexaffabout
Huyi Zhou, Shanming Han, Kuizhong Shen, Mengke Zhao, Chen Huang, Guigan Fang, Yiqiang Wu, Hongying Huang, Zhibin He

Notice bibliographique

RevueEnvironmental Technology & Innovation · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiqueAdvanced Cellulose Research Studies
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesnon disponible
Mots-clésRefining (metallurgy)Pulp and paper industryRice strawFermentationStrawWaste managementChemistryProcess (computing)Environmental scienceBiotechnologyFood scienceEngineeringBiologyComputer science

Résumé

récupéré en direct d'OpenAlex

In this study, the effect of aerobic fermentation pretreatment on bio-mechanical pulping of rice straw was investigated with compound bacterial agents (2 geobacillus sp, 1 parageobacillus sp and 4 thermos sp). The microbial community, chemical composition, surface morphology, crystal index and other parameters were monitored at various time intervals during the aerobic fermentation process. The chemical constituents of rice straw (mainly cellulose, hemicellulose and lignin) were partly degraded and dissolved in the fermentation process, leading to increased surface roughness and crystallinity index. The bio-mechanical pulping process was optimized in terms of Canadian freeness standard (CSF), specific energy consumption (SEC), water retention value (WRV), pulping yield, and physical properties of the resultant pulp. Under the optimal process conditions, the fermentation pre-treatment resulted in about 54% energy saving, 13% WRV improvement, and 81% increase in tensile strength at a given pulp freeness.

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)0,0000,000
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 GPT0,309
Écart entre enseignants0,275 · 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

Citations8
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental Technology & InnovationMême sujetAdvanced Cellulose Research StudiesTravaux en français237 207