MétaCan
Menu
Retour à la cohorte
Enregistrement W4385741209 · doi:10.1021/acs.iecr.3c01231

Chemical and Biological Delignification of Biomass: A Review

2023· review· en· W4385741209 sur OpenAlexafffund
Dalma Schieppati, Nicolas A. Patience, Federico Galli, Pierre Dal, Insa Seck, Gregory S. Patience, Domenico Fuoco, Xavier Banquy, Daria C. Boffito

Notice bibliographique

RevueIndustrial & Engineering Chemistry Research · 2023
Typereview
Langueen
DomaineEngineering
ThématiqueLignin and Wood Chemistry
Établissements canadiensUniversité de MontréalUniversité de SherbrookePolytechnique Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaFondation familiale Trottier
Mots-clésOrganosolvLigninDepolymerizationExtraction (chemistry)Lignocellulosic biomassBiomass (ecology)Pulp and paper industryChemistryBiopolymerBiorefinerySupercritical fluidSulfiteSupercritical fluid extractionOrganic chemistryPolymerRaw material

Résumé

récupéré en direct d'OpenAlex

Lignin is a highly abundant biopolymer with a complex polyphenolic structure, making it a potential source of aromatic precursors, polymers, and energy. However, its thermal stability limits its economic potential, with less than 3 wt % of waste lignin transformed into commodity products. This review focuses on the chemical and biological extraction methods for lignin to promote its valorization, which involves extraction, depolymerization, and fermentation or derivatization. As there is no universal method for extraction due to the heterogeneity of lignin, a range of methods each with their advantages and disadvantages are discussed, including sulfite pulping, Kraft, Organosolv, ozonolysis, steam-explosion, ionic-liquids and supercritical CO 2 extraction, and microwave- and ultrasound-assisted extraction. Biological methods, such as bacterial, fungal, and enzymatic delignification, are also explored. The review aims to provide insights to tailor extraction methods to individual needs and promote the sustainable utilization of lignocellulosic biomass.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,639
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,002
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 Opus0,371
Tête enseignante GPT0,414
Écart entre enseignants0,043 · 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.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations58
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIndustrial & Engineering Chemistry ResearchMême sujetLignin and Wood ChemistryTravaux en français237 207