Bibliographic record
Abstract
La consommation des fruits de mer augmente globalement. En moyenne on mange deux fois plus de fruits de mer aujourd’hui qu’il y a cinquante ans (Ritchie & Roser, 2020). Au cours des 50 dernières années, la transformation du poisson et des fruits de mer a quadruplé. Pendant le traitement des fruits de mer, de grandes quantités de déchets sont produites (Macleod, Kuo, Gallant, et Grimmett, 2006). En effet, environ 50% de la masse totale de la matière première est gaspillée (Mackie, 1982).Les homards de l’Atlantique sont la ressource la plus rentable du Canada. Les fruits de mercanadiens sont renommés et exportés partout dans le monde (FOC, 2012). Par conséquent, leCanada peut faire face à des effets environnementaux néfastes causés par de mauvaises méthodes d’élimination des déchets de fruits de mer. La mise en décharge ou l’utilisation des déchets de fruits de mer à des fins agricoles peut provoquer l’élimination des nutriments et les toxines, produire des mauvaises odeurs et être inefficace pour fournir de nutriments aux cultures agricoles (Mathur et al., 1986). Actuellement, certaines parties des déchets de homard sont utilisées à différentes fins. Certaines parties ne sont pas utilisées ou bien il reste un déchet de homard qui doit être pris en considération. Il est nécessaire d’avoir une technologie alternative capable d’utiliser tous les déchets tout en laissant un minimum de résidu ou rien du tout. Une telle technique qui pourrait aider à résoudre ce problème est la carbonisation hydrothermale (HTC). Dans cette méthode, la biomasse humide est placée dans un récipient scellé et chauffé a des températures comprises entre 150 et 250 ºC. La pression est autogène, atteignant entre 2 et 10 MPa à l’intérieur du récipient en fonction de la température utilisée. Les résultats de l’HTC sont des produits solides et liquides appelés respectivement, hydrochar et bio-huile.La pyrolyse et la carbonisation hydrothermale (HTC) sont deux types de processus de conversion thermique et chimique qui ont été utilisés pour traiter principalement la biomasse lignocellulosique, mais elles ont récemment été appliqués à la biomasse non lignocellulosique et aux mélanges de différents types de biomasses. Contrairement à la pyrolyse, HTC est capable de traiter la biomasse humide avec une teneur en humidité supérieure a trente pour cent (Kambo & Dutta, 2015b). Ce mémoire a pour objectif de présenter l’analyse bibliométrique réalisée sur l’hydrochar, produit solide du HTC. MHTC a examiné les propriétés physiques, chimiques et calorifiques de l’hydrochar produites à partir des déchets de homard. A l’aide du Web of Science, le produit solide de HTC, appelée hydrochar, a été analysé. Les tendances et caractéristiques récentes de l’hydrochar sont discutées dans ce mémoire. Le produit solide du MHTC a ensuite été examiné pour ses analyses physiques et chimiques et ses propriétés calorifiques. Les résultats de ce mémoire ont justifié des recherches subséquentes sur le MHTC, des déchets de homard pour examiner l’hydrochar en tant que produit ainsi que sa valeur durable. De plus, l’étude des sous-produits du MHTC provenant de diverses matières premières telles que la viande permettrait de mieux comprendre l’utilisation et l’application potentielles du MHTC pour gérer les déchets de biomasse humide
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) | 0.005 | 0.001 |
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".