Cascading valorization of defatted rice bran for lactic acid fermentation and biogas production
Notice bibliographique
Résumé
This study investigated the integrated valorization of defatted rice bran (DRB) by converting it into lactic acid (LA) and subsequently utilizing the residues from LA production for biomethane generation through anaerobic digestion (AD). Processing 480 kg of DRB resulted in the production of 70 L of pure LA and generated significant waste streams, primarily consisting of 572 kg of decanted hydrolysate pellet (Pellet DEC) and 220 kg of microfiltration retentate (Retentate MF). Exceptionally high methane yields of 374‒434 LN kgVS-1 were observed for residues from LA fermentation in biochemical methane potential tests, indicating their high potential for biogas production. During long-term semi-continuous AD, varying organic loading rates (OLRs) from 0.5‒2.5 kgVS m-3 d⁻¹ demonstrated feedstock- and OLR-dependent methane production. Reactor failure at higher OLRs was attributed to the accumulation of total ammoniacal nitrogen (TAN). The co-digestion of Pellet DEC and Retentate MF proved to be more resilient, with OLRs up to 2 kgVS m-3 d-1, mitigating TAN inhibition. Methane yields, ranging from 265‒334 LN kgVS-1 before reaching inhibitory OLR levels, were higher than those found in the literature. Process integration has emerged as a promising approach because the biogas generated from residues could effectively offset the energy demands of LA production. Supported by life cycle assessment, the integrated processes showed a 67% lower environmental impact at the midpoint and a 71% lower environmental impact at the endpoint, along with an 80% reduction in energy costs compared to the standalone LA production. Results proved a significant enhancement of the sustainability and economic viability of this integrated biorefinery approach.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 tête enseignante, 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 ».