Production de bioutanol à partir de lignocellulose: un nouveau procédé thermochimique
Bibliographic record
Abstract
La demande d'énergie au cours des dernières années a augmenté et un grand pourcentage de l'énergie est dérivée des combustibles fossiles, mais l'utilisation de ces carburants a généré des émissions de CO2 et de la pollution environnementale. Pour ce problème, on a mené des recherches sur l'utilisation des énergies alternatives à partir de biomasse lignocellulosique pour produire des carburants qui réduisent les émissions de CO2. Le Canada est un pays avec une abondance de résidus lignocellulosiques qui sont une source pour la production de différents produits chimiques. La première partie de l’étude se concentre sur l’étude cinétique de la production du lévulinate de méthyle et de l’acide lévulinique à partir de la cellulose avec un catalyseur homogène (H2SO4). La deuxième partie porte sur la conversion de la cellulose en lévulinates (molécule plateforme) en utilisant un catalyseur homogène (H2SO4) et un catalyseur solide (Al2(SO4)3). La troisième partie se consacre sur l’étude de l’hydrolyse du lévulinate de méthyle en acide lévulinique en utilisant des catalyseurs à base de cuivre. Des techniques d’analyse tels que le SEM, XRD, TPX ont été utilisés pour étudier les catalyseurs supportés et comprendre leur effet sur la réaction. La quatrième partie du projet porte sur l’étude des résultats obtenus des différentes réactions réalisées pour la production du 2-butanol à partir de la biomasse lignocellulosique en passant par la production du lévulinate de méthyle et de l’acide lévulinique qui sont des molécules plateforme et potentiellement substitutes au biodiesel. Par la suite, l’acide lévulinique est décarboxylé en 2-butanone et le dernier est réduit en 2-butanol en utilisant des catalyseurs bifonctionnels (tel que le Ru / C et le Pt / C) en conditions douces. L’ensemble de ces travaux contribuent à la compréhension des réactions du nouveau procédé de production du butanol.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| 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 | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".