Greenhouse Gas Emissions from the Conversion of Palm Kernel Cake to Ethanol, Animal Feed and Residual Vegetable Oil
Notice bibliographique
Résumé
This study evaluates the greenhouse gas (“GHG”) emissions associated with converting palm kernel cake (“PKC”), a processing residue from the palm oil industry, into ethanol while co-producing a high-protein animal feed referred to as “palm DDGS” (a distillery co-product analogous to conventional DDGS) and residual palm kernel oil (“PKO”). Well-to-wheel life cycle assessment (“LCA”) models were created using the CORSIA framework and EcoInvent inventory data for Malaysia. Co-product credits were calculated based on palm DDGS displacing imported feeds (corn, soybean meal, and corn DDGS) and residual PKO replacing conventional PKO production. Six PKC conversion configurations were evaluated, varying fuel for process heat (natural gas, coal, woodchips) and feed displacement assumptions. Models were also constructed for corn ethanol and conventional feed systems for comparative analysis. Net emissions ranged from −97 to 22 g CO 2 eq MJ −1 , primarily driven by displacement of high-emission imported feed. The lowest emissions occurred when woodchips was used to supply process heat and palm DDGS was assumed to displace corn DDGS, while the highest emissions occurred when coal was used with corn/SBM displacement. Reclassifying PKC from a processing residue to a co-product substantially increased carbon intensity, eliminating net-negative outcomes under energy allocation. Under structural scenarios where PKC is classified as a processing residue, PKC ethanol demonstrated lower emissions than both corn ethanol and gasoline. These findings demonstrate how raw material classification and co-product treatment structurally affect reported lifecycle outcomes.
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 | 0,000 | 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 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 ».