Selective and Solvent-Free Extraction of Medium-Chain Carboxylic Acids with Poly(dimethylsiloxane) Membranes
Notice bibliographique
Résumé
Microbial production of medium-chain carboxylic acids (MCCAs) through anaerobic digestion of organic wastes has great potential as a method for sustainable chemical production, owing to the high economic value of MCCAs, which are used in cosmetics, animal feeds, and pharmaceuticals. However, a stable, low-cost, and energy-efficient method of separating MCCAs from other microbial products, including alcohols and short-chain carboxylic acids (SCCAs), remains a challenge. The main proposed methods rely on organic solvents to extract MCCAs, leading to toxicity, cost, and processing challenges. In this work, we explore the use of polydimethylsiloxane (PDMS) membranes for robust and selective solvent-free extraction of MCCAs. We first performed fundamental transport experiments with model PDMS films, finding that PDMS membranes have high MCCA permeabilities and high selectivity of MCCAs over SCCAs (e.g., a selectivity of 233 ± 59 for octanoic acid over acetic acid), comparable to those of solvent-based extractions. As PDMS can easily be formed as thin selective layers on porous supports, we then modeled the performance of PDMS-based selective layers of various thicknesses. A preliminary technoeconomic assessment suggested favorable economics for PDMS membranes (e.g., 80% decrease in operating cost compared to supported liquid membranes and pertraction) because of PDMS stability, simple implementation, and solvent-free nature. Commercial PDMS hollow-fiber modules were then tested with synthetic MCCA solutions, showing robust separations with high selectivities matching the model films, albeit with lower-than-expected permeabilities. Last, we discuss scale-up paths and suggest an overall process design that could incorporate PDMS-based extraction. This work demonstrates a robust strategy for selective separation and extraction of MCCAs, using commercially available membrane materials or fabrication techniques that are scalable to the industrial level.
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 ».