Identifying barriers to scaled-up production and commercialization of chitin and chitosan using green technologies: A review and quantitative green chemistry assessment
Notice bibliographique
Résumé
Chitosan (CHT) production from Chitin (CH) is a billion-dollar industry but is constrained by multi-step chemical extractions that are energy and wastewater-intensive. Numerous green recovery technologies (GRT)s have paved the path for sustainable extraction, however, these have not been adopted for scale-up or mainstream commercialization. Therefore, this review critically evaluates the chemical, biological, combined biological-chemical and GRTs for CH/CHT recovery on commercially important criteria such as yields, molecular properties, cost/gram, water & energy use and wastewater & GHG emissions to identify barriers that hinder (i) the scaled-up, cost-effective commodity production of CH/CHT using GRTs (ii) the preparation of CH/CHT standards and (iii) the successful pathway from CH/CHT recovery to commercialization of chitosan-based products, supporting United Nations Sustainable Development Goals (UN SDG)s, particularly SDG 12. To arrive at the data-driven assessment, techno-economic and green chemistry metrics such as PMI and E-factor were calculated. The industry-developed quantitative green chemistry evaluator DOZN™ was used to assess resource & energy efficiency and human & environmental health hazards for CHT production. Mechanochemistry was identified as a viable GRT based on the limited literature available for quantitative assessment, and increasing the yield from GRT processes was identified as key to improving economic performance while also reducing environmental impacts.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».