Zeolite as natural feed additives to reduce environmental impacts of swine manure
Bibliographic record
Abstract
Depuis 20ans, on observe l'intensification des entreprises porcines et la concentration régionale de la production de fumier. Cette concentration a engendré des problèmes de qualité d'eau et de sol, ainsi que de contamination de l'air par les odeurs. Comme solution, la zéolite pourrait être ajoutée à la ration des porcs pour améliorer l'ingestion des nutriments et réduire l'effet de concentration des fumiers. Dans ce contexte, deux essais furent réalisés pour mesurer l'impact d'ajouter de la zéolite dans les rations pour porcs à l'engraissement : le premier visait les propriétés physico-chimiques des fumiers, et ; le second visait la productivité porcine. La zéolite expérimentale contenait plus de 90% de clinoptilolite et fut utilisée à un taux de 4%. Les rations testées, R2, R3 and R4, contenaient 4% de zeolite (90%+ clinoptilolite) et soit 100%, 90% ou 90% de protéine brute et 100%, 90% or 85% d'énergie respectivement. Ces rations furent testées conjointement avec une ration témoin contenant 100% de protéine brute et d'énergie mais sans zéolite. Pendant le premier essai, on alimentait chaque ration à trois porcs et on prélevait leurs fumiers pour analyser leurs propriétés physico-chimiques. Aussi, 2% et 4% de zeolite était ajouté à du fumier frais pour mesurer la viscosité du fumier. L'alimentation de la zéolite a augmenté le taux de siccité des fumiers, sans toute fois avoir un impact sur leur viscosité. Les rations R3 et R4 ont produit des fumiers qui coulaient mieux et qui dégageaient moins d'odeur après 67 jours de stockage, comparativement à la ration témoin R1. La ration R2 a produit un fumier dégageant moins d'odeur que la ration R1, mais sans toute fois donner des résultats significatifs (P>0.05). Donc, l'ajout de zéolite dans les rations pour porcs à l'engraissement peut avoir un impact positif sur les propriétés physico-chimiques des fumiers produits. Le second essai consistait à ajoute
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".