Estimación del potencial metanogénico de la codornaza considerando las variables de dilución, adición de nutrientes y codigestión
Bibliographic record
Abstract
El biogás ha ido ganando importancia como un combustible CO2-neutral por sus bajas emisiones de CO2. El biogás puede usarse para el calentamiento y/o la producción de electricidad o como aditivo para mejorar el combustible para los vehículos. Este artículo detalla la estimación del potencial metanogénico de la codornaza tomando en consideración las variables de dilución, adición de nutrientes y codigestión, con base en la medición del biogás por el método de desplazamiento de líquido y el empleo de la codornaza en codigestión con desecho de banano. Los resultados obtenidos al diluir la muestra indican que de las tres diluciones realizadas para el sustrato de codornaza, la correspondiente al 40% presentó el mayor volumen de producción de metano. Las diluciones experimentales garantizan que el potencial de biogás del sustrato no sea subestimado debido a la sobrecarga o por la inhibición del potencial. Al efectuar la adición de nutrientes para la producción de biogás, estos ayudaron a obtener una mayor cantidad de metano acumulado. Sin embargo, esta variable demostró no ser fundamental para alcanzar un buen rendimiento en la producción de metano con el sustrato experimentado. Además, la codornaza mostró ser muy buen sustrato para la codigestión con desecho de banano.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".