An integrative framework for eco-efficiency assessment in plant-protein extraction processes: Hotspot analysis, protein loss tracking, and uncertainty analysis
Notice bibliographique
Résumé
Over the past few years, the growing demand for plant-based proteins has intensified the need to scale up extraction technologies, for efficient and sustainable protein production. Towards the adoption of existing methods, modified extraction methods as well as emerging technologies, there is the need to assess and ascertain the overall sustainability performance of the methods, integrating economic, product quality and environmental perspectives. However, a comprehensive assessment framework that integrates these three (3) sustinability dimensions, for the plant-protein industry, remains lacking. This study proposes a novel eco-efficiency assessment framework tailored to evaluate sustainability of plant-protein extraction methods, with a focus on industrial commercialization potential. The framework integrates eco-efficiency analysis, hotspot identification of economic value, protein loss tracking, protein purity, environmental impacts, and uncertainty and global sensitivity analyses to highlight key production variables that influences sustainability outcomes. The framework was applied to a case study of pea protein extraction by the alkaline-isoelectric precipitation (ALK-IEP) method with multiple trials using different yellow pea varieties. Results highlighted the major contribution of the spray drying, pasteurization and extraction-decantation sections to eco-environmental outcomes and protein content loss. The findings offer insights for optimizing the extraction process and improving eco-efficiency, contributing to more sustainable, scalable commercial pea protein production. • A novel holistic eco-efficiency assessment framework is proposed for evaluating plant-protein extraction methods. • The framework incorporates hotspot and global sensitivity analyses to reveal key variables that impact techno-eco-environmental performance. • The framework is applied to a case study on pea protein extraction by the wet fractionation method. • The findings provide valuable insights for improving eco-efficiency, and supporting the sustainable commercialization of pea protein production.
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 | 0,013 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».