MétaCan
Menu
Retour à la cohorte
Enregistrement W4387999743 · doi:10.1093/jas/skad341.052

47 Feeding Pigs with Low Crude Protein Diets: Impact of Pig Manure Nitrogen Content on Biogas Production and Digestate Quality

2023· article· en· W4387999743 sur OpenAlexaff
Felipe Hickmann, Inês Andretta, Léa Cappelaere, Bernard Goyette, Marie-Pierre Létourneau-Montminy, Rajinikanth Rajagopal

Notice bibliographique

RevueJournal of Animal Science · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAgriculture Sustainability and Environmental Impact
Établissements canadiensAgriculture and Agri-Food CanadaUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésDigestateManureKjeldahl methodBiogasAmmoniacal nitrogenAnaerobic digestionAnimal scienceChemistryBioenergyFood scienceNitrogenAgronomyBiofuelPulp and paper industryBiotechnologyWaste managementBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Lowering dietary crude protein levels is a nutritional strategy recognized to both decrease the use of high-impact feed ingredients and reduce nitrogen (N) excretion. Improved pig manure management practices can further mitigate the environmental impacts associated with pig production towards net-zero emissions. Anaerobic digestion (AD) is a promising technology for transforming pig manure into energy as biogas and into bio-based fertilizers (i.e., digestate from AD). However, little is known about the effects of pig manure N content on AD. Thus, this study aimed to evaluate the impact of pig manure N content on biogas production and digestate quality through the AD of manure from pigs fed low crude protein diets. Three pig manure N concentrations were tested: T1 = 5873, T2 = 5421, and T3 = 5149 total Kjeldahl nitrogen (TKN, mg/L). Throughout 5 sequential fed-batch cycles (25 ± 4 days/cycle), biogas production and its composition (CH4, CO2, and H2S) were measured, while raw manure and weekly digestate samples were analyzed for total solids (TS, %), volatile solids (VS, %), pH, chemical oxygen demand (COD, mg/L), TKN, and ammoniacal nitrogen (NH3-N, mg/L). In a temperature-controlled room (20 ± 1ºC), 6 digesters (3 treatments x 2 replicates) were operated as single-stage reactors to digest pig slurry (mixture of urine and feces, TS: 5.6%) inoculated with a liquid inoculum (TS: 2.3%) to improve manure-microbe interactions. Data were analyzed by ANOVA using PROC MIXED with repeated measures and comparison of means through the Tukey test (SAS software). In addition, both correlation and regression analyses were performed with R to evaluate the relationship among variables. Decreasing pig manure N content showed a tendency to reduce biogas (-20% in T3 vs T1; P = 0.0782) and methane (-22% in T3 vs T1; P = 0.0576) production per cycle, as shown in Table 1. Regarding biogas composition, CH4/biogas and CH4/CO2 decreased with N content (-3 and -4% in T3 vs T1; P ≤ 0.0082). There were strong positive correlations between the N content of pig manure and the amount of NH3-N (linear: r = 0.94, R2 = 0.88) and TKN (linear: r = 0.90, R2 = 0.81) present in the digestate at the end of each cycle. These results suggest that a reduction in pig manure N content reduces biogas production and its quality (ratio of CH4 to CO2). This latter variable is important for biogas efficiency; thus, reducing crude protein in pig diets may impair the production of biogas in AD. However, a decreased N content may cause less emissions into the environment, but when using the digestate as fertilizer, it may not entirely fulfill the N requirements of fast-growing crops for a given application rate.

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 enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,024
Tête enseignante GPT0,282
Écart entre enseignants0,258 · 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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Animal ScienceMême sujetAgriculture Sustainability and Environmental ImpactTravaux en français237 207