Application of Artificial Neural Networks (ANNs) in Drying Technology: A Comprehensive Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Inspired by the functional behavior of the biological nervous system of the human brain, the artificial neural network (ANN) has found many applications as a superior tool to model complex, dynamic, highly nonlinear, and ill-defined scientific and engineering problems. For this reason, ANNs are employed extensively in drying applications because of their favorable characteristics, such as efficiency, generalization, and simplicity. This article presents a comprehensive review of numerous significant applications of the ANN technique to solve problems of nonlinear function approximation, pattern detection, data interpretation, optimization, simulation, diagnosis, control, data sorting, clustering, and noise reduction in drying technology. We summarize the use of the ANN approach in modeling various dehydration methods; e.g., batch convective thin-layer drying, fluidized bed drying, osmotic dehydration, osmotic-convective drying, infrared, microwave, infrared- and microwave-assisted drying processes, spray drying, freeze drying, rotary drying, renewable drying, deep bed drying, spout bed drying, industrial drying, and several miscellaneous applications. Generally, ANNs have been used in drying technology for modeling, predicting, and optimization of heat and mass transfer, thermodynamic performance parameters, and quality indicators as well as physiochemical properties of dried products. Moreover, a limited number of researchers have focused on control of drying systems to achieve desired product quality by online manipulating of the drying conditions using previously trained ANNs. Opportunities and limitations of the ANN technique for drying process simulation, optimization, and control are outlined to guide future R&D in this area.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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