MétaCan
Menu
Retour à la cohorte
Enregistrement W4401595141 · doi:10.3390/agriculture14081363

Effects of Harvest Date and Ensiling Additives on the Optimized Ensiling of Silphium Perfoliatum to Prevent Faulty Fermentation

2024· article· en· W4401595141 sur OpenAlexfundno aff
Marian Baumgart, Benedikt Hülsemann, Gregor Sailer, Hans Oechsner, Joachim Müller

Notice bibliographique

RevueAgriculture · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensnon disponible
Organismes subventionnairesMinistry of Rural Affairs
Mots-clésFermentationBiologyAgronomyFood science

Résumé

récupéré en direct d'OpenAlex

Silphium perfoliatum, an energy crop with a high fiber content but low concentrations of fermentable carbohydrates, presents challenges for complete fermentation in biogas production. To overcome this, a bioeconomic approach proposes the use of the fibers for paper and board production, which requires high-quality silage with minimal butyric acid, which affects the marketability of the fibers. This study aims to optimize the silaging process of Silphium perfoliatum by investigating the effects of harvest date, bacterial cultures and additives on fermentation results. Laboratory experiments were conducted to evaluate the effect of three harvest dates on fermentation acid composition, with a focus on increasing lactic acid production to inhibit butyric acid formation. Results indicate that an early harvest date (early September) is critical for achieving stable fermentation and minimizing ensiling losses. The addition of sugar-rich additives, such as syrup, was found to be essential, especially for later harvest dates. Despite these interventions, a late harvest (early November) consistently resulted in suboptimal fermentation. The results suggest that optimizing harvest timing and incorporating appropriate additives are key strategies for producing high quality silage and ensuring the suitability of Silphium perfoliatum fibers for industrial applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 seuil0,216

Scores Codex et Gemma par catégorie

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 Opus0,005
Tête enseignante GPT0,200
Écart entre enseignants0,195 · 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 tête enseignante, 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

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgricultureMême sujetBiofuel production and bioconversionTravaux en français237 207