Pineapple-Derived Nanocellulose for Nanocomposites: Extraction, Processing, and Properties
Notice bibliographique
Résumé
Pineapple waste is an underexplored source for producing nanocomposites, from which nanocellulose, namely cellulose nanocrystals (CNCs) or cellulose nanofibers (CNFs), can be produced. This review summarizes extraction methods from different pineapple residues (leaves, crown leaves, stem, peel, pulp, and pomace), covering top-down processes (hydrolysis, oxidation, carboxymethylation, and mechanical fibrillation) and bottom-up strategies (ionic liquids and deep eutectic solvents). The review examines the influence of the morphology and crystallinity of nanocellulose on the functional performance of the nanocomposites. Strategies for processing pineapple-derived nanocellulose composites are analyzed by technique (solution casting, film stacking, and melt blending/extrusion) and polymer matrices (starch, PVA, chitosan, PLA, PHBV, PBAT, proteins, and polysaccharides), including typical loading levels for most polymer-reinforced systems (0.5–5 wt.%), while higher levels (15–50 wt.%) are used in particular cases such as PVA, CMC, and cellulosic matrices. The impact on mechanical strength, barrier behavior, UV shielding, and optical properties is summarized, along with reports of self-reinforced and hybrid cellulose-derived matrices. A benchmarking section was prepared to show nanocellulose loading ranges, trends in properties, and processing-relevant information categorized by type of matrix. Finally, the review describes the potential roles of pineapple waste within a bioeconomy context and identifies some extraction by-products that could be incorporated into diverse value chains.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».