MétaCan
Menu
Retour à la cohorte
Enregistrement W4391913026 · doi:10.1016/j.biteb.2024.101791

Exploring the use of supercritical carbon dioxide in enzymatic hydrolysis of cellulosic substrate

2024· article· en· W4391913026 sur OpenAlexafffund
Pawan Kumar, Azadeh Kermanshahi‐pour, Satinder Kaur Brar, Chunbao Xu

Notice bibliographique

RevueBioresource Technology Reports · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensYork UniversityDalhousie University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaDalhousie University
Mots-clésCellulosic ethanolSupercritical carbon dioxideEnzymatic hydrolysisCarbon dioxideHydrolysisSubstrate (aquarium)ChemistrySupercritical fluidChemical engineeringPulp and paper industryOrganic chemistryCelluloseGeologyEngineering

Résumé

récupéré en direct d'OpenAlex

Enzymes are critical components for production of fermentable sugars in lignocellulosic biorefineries. Their activity could be influenced by various reaction parameters. Herein, a formulated cellulolytic enzyme cocktail was immobilized into mesoporous aerogel material and used under high pressure environment of supercritical CO2 (scCO2). The cocktail was immobilized at different enzyme loads (36.0 to 144.0 mg enzyme/g aerogel) using sol-gel entrapment method and scCO2 drying. The immobilized cocktail at 144.0 mg/g aerogel enzyme load retained a residual yield of >50.0 % after fourth cycle of reuse compared to first cycle under atmospheric pressure. Sugar yield by the cocktail aerogel was below 10 wt% in second cycle under scCO2 due to enzyme leaching. Additionally, surface area and porous volume of reused aerogels was decreased over the reuse cycles. The study suggests that scCO2 could be employed for aerogel preparation after optimizing the immobilization process for pure enzymes rather than crude enzymes. © 2024 The Authors.

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 enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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 Opus0,047
Tête enseignante GPT0,210
Écart entre enseignants0,164 · 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

Citations3
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBioresource Technology ReportsMême sujetBiofuel production and bioconversionTravaux en français237 207