MétaCan
Menu
Retour à la cohorte
Enregistrement W4379095408 · doi:10.1021/acs.biomac.3c00053

Formation and Identification of Lignin–Carbohydrate Complexes in Pre-hydrolysis Liquors

2023· article· en· W4379095408 sur OpenAlexafffund
Nianjie Feng, Shaowen She, Fei Tang, Xiangdong Zhao, Jingqian Chen, Peng Wang, Qian Wu, Orlando J. Rojas

Notice bibliographique

RevueBiomacromolecules · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueLignin and Wood Chemistry
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesHubei UniversityUniversity of British ColumbiaCanada Excellence Research Chairs, Government of CanadaNational Natural Science Foundation of ChinaCanada Foundation for InnovationChina Scholarship CouncilHubei University of TechnologyCanada Research Chairs
Mots-clésHydrolysisChemistryLigninFractionationBiomass (ecology)Organic chemistryEtherDegradation (telecommunications)CarbohydrateChromatography

Résumé

récupéré en direct d'OpenAlex

The lignin-carbohydrate complexes (LCCs) typically present in the liquors produced in the pre-hydrolysis of biomass cause severe difficulties in downstream fractionation. To address this issue, a series of LCC samples were accessed from solutions obtained from the pre-hydrolysis of extractive-free pine wood meal (H-LCC) and compared with LCC obtained from the corresponding residues (B-LCC). Chromatographic and spectroscopic techniques revealed that 8.2% of the lignins were degraded at 160 °C, resulting from the breakage of β-O-4' linkages during pre-hydrolysis. Meanwhile, (reactive) hemicelluloses were mainly removed from the fibers' cell walls. Some hemicelluloses in the pre-hydrolysis liquor, such as glucomannans, were associated with degraded lignin fragments via ether and ester bonds. However, the newly formed LCCs were pH-labile and underwent rapid hydrolysis. Overall, we reveal details about LCC formation and degradation during pre-hydrolysis at given temperatures, critically important in efforts to improve biomass processing and valorization.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,022
Score d'incertitude au seuil0,340

Scores Codex et Gemma par catégorie

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)0,0000,000

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 Opus0,007
Tête enseignante GPT0,218
Écart entre enseignants0,211 · 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 tête enseignante, 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

Citations46
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiomacromoleculesMême sujetLignin and Wood ChemistryTravaux en français237 207