Pineapple peel waste enhances manure protein degradation: Statistical optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Animal farms generate large amounts of manure suitable as feedstock for producing biogas by anaerobic digestion (AD). However, AD encounters difficulties when manure contains excessive protein levels. This study investigates using pineapple peel waste (PPW)-derived protease enzyme (bromelain) to enhance manure’s protein degradation and improve biogas production. It aims to improve the degradation of manure protein and mitigate the inhibitory ammonia accumulation problem. The study applied a Box–Behnken design and analyzed the data using the Response Surface Methodology (RSM) to optimize protein reduction and diminishing ammonia levels. It examined the single and two-way impacts of parameters such as manure dosage, PPW dosage, and degradation duration. The statistically derived optimal degradation condition for 36±0.25% protein reduction was observed at 9 g VS manure L -1 , and 4 g VS PPW L -1 at 48 h degradation. However, the highest reduction of ammonia nitrogen (NH 3 -N) by 72±0.48% was achieved under the optimal combinations of 6.5 g VS manure L -1 , and 7 g VS PPW L -1 at 48 h degradation. Fourier Transform Infrared (FTIR) spectroscopy and Scanning Electron Microscopy (SEM) analyses revealed changes, particularly weakening and cleavage of hydrogen and amide I, II, and III bonds, confirming hydrolyzed manure's protein structural and morphological alterations. The hydrolyzed substrate characterization, paired with the rigorously developed statistical data, strongly supports using PPW as an effective agent to address the ammonia accumulation challenges. PPW significantly and effectively enhances protein breakdown within manure, potentially increasing hydrogen and methane generation during AD.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 découle