Production of chitosan-based composite film reinforced with lignin-rich lignocellulose nanofibers from rice husk
Notice bibliographique
Résumé
Lignocellulosic nanofibers (LCNFs), implying lignin-containing cellulose fibers, maintain the properties of both lignin and cellulose, which are hydrophobic and hydrophilic, respectively. The presence of hydrophobic lignin in LCNFs is expected to be an economical and attractive option that can improve the thermal and mechanical properties of polymers. Thus, this study was conducted to produce lignin-rich LCNFs from sugar-rich waste obtained from rice husks after acidic pretreatment. The LCNFs were produced from the lignin-rich solid fractions obtained after pretreatment and enzymatic hydrolysis, which were then incorporated as an additive into a chitosan-based film. The variations in lignin content in the range of approximately 50.6%–66.8% in differently obtained LCNFs gave significantly different optical strengths and mechanical properties. These controllable processes may allow for customized film formation. Additionally, the glucose-rich liquid fractions obtained after pretreatment and enzymatic hydrolysis were used as a substrate for ethanol fermentation to achieve total utilization of rice husk biomass waste. In conclusion, the lignin-rich biomass fraction holds promise as a suitable material for chitosan-LCNF film and has the potential to increase the economic feasibility of the biomaterial industry.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».