Techno-eco-environmental assessment of dry fractionation of protein concentrates from yellow peas with different pre-treatment methods: An eco-efficiency approach
Notice bibliographique
Résumé
For holistic and concise decision support, it is essential to assess the sustainability of pea protein production pathways from the technical, economic, and environmental perspectives. Although regarded as the most sustainable protein extraction process, sustainability assessment of different dry fractionation pathways has not yet been carried out. To address this limitation, this study carried out a comparative techno-eco-environmental assessment of three different dry fractionation scenarios, a baseline, and two pathways with upstream pre-treatment methods of Radio Frequency (RF) treatment and Infrared Radiation (IR) treatment. Process Separation Efficiency (PSE), Life Cycle Assessment (LCA), and Techno-economic Assessment (TEA) were performed. Findings from the study showed that the RF-treated and IR-treated pea seeds produce higher yields of protein concentrates with higher protein content, as compared to the baseline. However, the higher protein separation efficiency could not comparatively offset the capital costs, processing costs, and higher energy demand associated, causing it to be outperformed by the baseline, in the economic and environmental dimensions. Although the IR treatment pathway performed better than RF treatment environmentally, it performed the least at the economic criteria. Overall, performance levels carried out using economic and protein quality value improvement for eco-efficiency assessment showed that it is very salient to consider all these three criteria integratively when assessing the sustainability performance of protein extraction pathways to identify trade-offs amongst the different dimensions. Moreover, competitive advantage played a key role in the eco-efficiency performance levels. We therefore recommend that further studies to be conducted including the product techno-functionality for a broader and more holistic perspective.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».