Optimization and modelling of bioethanol production by the fermentation of <scp>CCN</scp> ‐51 cocoa mucilage using the <i>sequential simplex</i> method and the <i>modified Gompertz</i> model
Notice bibliographique
Résumé
Abstract This work deals with the optimization of bioethanol production through a fermentation process of CCN‐51 cocoa mucilage, based on increased concentrations of the Saccharomyces cerevisiae yeast. Cocoa mucilage, considered biomass waste, was selected for its high productivity and the large volumes generated in the cocoa industrial chain in Ecuador. The optimization of the fermentation process was performed using the sequential simplex method with two variables, and the results were experimentally confirmed by quantifying bioethanol through the microdiffusion method. The best operational conditions corresponded to a temperature of 35°C and a pH of 4. Regarding the concentration of yeast, it was found that the optimal value was 8 g/L, since lower concentrations led to low productivities, while higher concentrations resulted in inadequate functioning of the bioreactor. The best results reached a productivity of 1.35 ± 0.04 g/L · h and a maximum bioethanol concentration of 28.3 ± 0.8 g/L for a processing time of 21 h. The production of bioethanol was modelled using the modified Gompertz equation and simulated in MATLAB®, yielding a bioethanol production rate of 2.42 g/L · h with a correlation coefficient ( R 2 ) of 0.95. These results contribute to the knowledge of bioethanol production using cocoa mucilage and seek to add a positive value to this residue, whose management and final disposition have both undesirable environmental and economic effects.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».