Electrostatic field as an emergent technology in refining crude oils: a review
Notice bibliographique
Résumé
Vegetable oils and fatty acid esters (FAEs) are commonly used in various industrial and commercial applications. However, the presence of contaminants in these oils can severely affect their functionality and suitability. Conventional refining techniques for vegetable oils typically involve degumming, neutralization, bleaching and deodorization. Meanwhile, refining of FAEs often utilize wet or dry washing processes. These are often resource-intensive, producing substantial waste products, causing neutral oil loss, and can also result in the loss of micronutrients. To address these challenges, researchers have explored the use of nano-adsorbents and electrostatic field (E-field) technologies as alternatives in purifying industrial dielectric oils by removing polar particles and contaminants. Nano-adsorbents demonstrated increased efficiency in removing polar contamination while minimizing neutral oil loss. However, removal of these spent adsorbents can be challenging due to their nano-size, and physicochemical properties. The use of these materials combined with E-field technologies offers a novel and sustainable solution for removing spent nano-adsorbents and contaminants. This review provides an overview of current traditional and novel refining technologies for vegetable oils and FAEs, including their associated limitations. Compared to conventional methods, E-field treatment offers several advantages, making it an attractive alternative to conventional approaches in food processing and oil refining.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 | 0,001 |
| 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 ».