Fractionnement simple et multi-étapes à l'urée d'huiles marines du Québec
Bibliographic record
Abstract
Diverses fractions d'huiles marines hydrolysées ont été concentrées en certains acides gras grâce à une méthode multi-étape de fractionnement par urée utilisant le méthanol comme solvant. Ces fractions incluent les acides gras saturés (AGS), les mono insaturés (AGMI) et les polyinsaturés à longues chaînes (AGPI) tels que les acides eicosapentaénoïque (AEP), docosapentaénoïque (ADP) et docosahexaénoïque (ADH). Ainsi le but de cette étude était de vérifier les effets du ratio urée/acides gras/méthanol et de la procédure multi-étapes sur les produits finaux. Les données sur la composition en acides gras indiquent que le fractionnement multi-étape par urée est une méthode efficace pour la séparation des fractions d'huiles marines et que cette méthode produit des fractions AGS, AGMI et AGPI fortement concentrées. Après complexion des AGSet des acides gras libres (AGL) à faible insaturation, des concentrations (Cm) de AGPI allant jusqu'à 93,2%, 88,4% et 73,4% ont été obtenues avec les huiles de maquereau, de phoque et d'hareng, respectivement; les ratios AGLlUréelMéthanol étant de 1:3:10 à 3:5:20 à une température de 4°C. Les cristaux formés ont été enrichis en AGS et AGMI. Des valeurs Cm pour les SA de 70,0 59,5 et 50,5% ont été obtenues avec des ratios AGL/Urée/Méthanol de 1:3:10 à 3:5:20 à une température de 4°C; alors que la seconde étape du fractionnement a fourni des valeurs de Cm pour les AGMI de 51,6%, 73,2% et 69,6% pour les huiles de maquereau, phoque et harengs, respectivement, avec des ratios AGL/Urée/Méthanol de 2:1:5 à 3:2:10 à une température de 4°C. L'approche multi-étape développée s'avère donc prometteuse pour la valorisation intégrale des huiles marines.
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 | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 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) | 0.004 | 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".