MétaCan
Menu
Retour à la cohorte
Enregistrement W1969339577 · doi:10.1002/cjce.21870

Hydrodynamic study of a mixture of West Indian Cherry Residue and Soybean Grains in a spouted bed

2013· article· en· W1969339577 sur OpenAlexvenueno aff
Carolina T. Bortolotti, Kássia Graciele dos Santos, Mariele C. C. Francisquetti, Cláudio R. Duarte, Marcos A.S. Barrozo

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueGranular flow and fluidized beds
Établissements canadiensnon disponible
Organismes subventionnairesCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
Mots-clésResidue (chemistry)ChemistryAscorbic acidMoistureWater contentParticle densityChromatographyFood scienceOrganic chemistryGeology

Résumé

récupéré en direct d'OpenAlex

Abstract West Indian cherry, widely known as acerola in Latin America, is a fruit rich in vitamin C and other bioactive compounds. In Brazil, the largest producer of acerola in the world, the processing of this fruit results in large amounts of waste or residues. A method that allows these residues to be reused is drying. However, acerola residue has low flowability in spouted beds due to its low density and high moisture content. Therefore, in this study, soybean was used as an auxiliary material to maintain the stability of the fluid dynamics and the characteristics of the food end product. Because this process involves a mixture of solids of different sizes, shapes and densities, particle segregation may occur. This article reports on a study of the fluid dynamics of the mixture of acerola residue and soybean in a spouted bed, operating with different mass fractions of residue and different static bed heights. Particle segregation was analysed, allowing for the quantification of the effect of the initial concentration of acerola residue on the degree of miscibility. The content of phenolic compounds, flavonoids and ascorbic acid, as well as the moisture and mixture indices at different drying times, were also quantified.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,004
Tête enseignante GPT0,164
Écart entre enseignants0,160 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations65
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetGranular flow and fluidized bedsTravaux en français237 207