Optimization of Organosolv Pretreatment with Acid Catalyst to Enhance Enzymatic Saccharification of Corn Husk
Notice bibliographique
Résumé
Due to awareness of global warming and the devastation of environmental resources, the management of agricultural residues after each harvesting season has been integrated into the biorefining process to increase its value and mitigate environmental pollution caused by burning or combustion. This research focuses on the process development to utilize agricultural biomass residues for renewable energy production in the form of bioethanol. The study employed organosolv pretreatment with sulfuric acid as a catalyst to promote the enzymatic conversion of corn husk into reducing sugars. To determine the optimal conditions for the process, a one-factor-at-a-time method was initially employed to assess the influence of temperature (80-140 ºC), time (40-60 min), and sulfuric acid concentration (0.01-0.5% w/w). Subsequently, Response Surface Methodology (RSM) was conducted based on the Box-Behnken design (BBD) to identify the optimal pretreatment conditions. The predicted optimal pretreatment conditions were found to be 135.4 ºC, 57 min, and 0.46% w/w, resulting in a reducing sugar yield of 20.69% with a margin of error of 1.2%. Additionally, biomass composition analysis and Fourier Transform Infrared spectroscopy (FTIR) were performed to decipher the mechanism of organosolv pretreatment on enzymatic saccharification. This study demonstrated the potential of corn husk as an alternative raw material for the production of value-added products like bioethanol. The obtained reducing sugars serve as vital substrates for the fermentation process required to produce bioethanol as an alternative fuel to meet the target of sustainable development goals (SDGs).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».