Structure‐dependent nitrogen transformation in hydrothermal liquefaction of amino acids
Notice bibliographique
Résumé
Abstract Hydrothermal liquefaction (HTL) offers a promising route for converting wet biomass into biocrude, yet nitrogen‐rich feedstocks like microalgae pose challenges due to nitrogen contamination. This study investigates how the structure of model amino acids—leucine (neutral), arginine (basic), and aspartic acid (acidic)—affects nitrogen migration during HTL. Nitrogen partitioning across product phases was quantified via orthogonal experiments and GC–MS, when degradation mechanisms were elucidated via Density Functional Theory (DFT) simulations. As shown by the experimental results, leucine achieved the highest biocrude yield (31.61%) with nitrogen retained as amides and diketopiperazines. Arginine yielded minimal oil (7.94%) and favored aqueous nitrogen‐heterocycles, while aspartic acid (29.53%) released nitrogen mainly into aqueous and gaseous phases via decarboxylation. DFT confirmed leucine follows two competing routes: DKP formation and oxidative cleavage yielding 2‐pyrrolidone. These findings reveal a structure‐reactivity‐distribution relationship linking amino acid functionality to nitrogen fate, offering guidance for feedstock selection and HTL optimization to enhance biocrude quality.
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 ».