MétaCan
Menu
Retour à la cohorte
Enregistrement W2034867036 · doi:10.2202/1556-3758.1780

Relating Mechanical Changes at the Glass Transition with Water Absorption Behavior of Dry Legume Seeds

2010· article· en· W2034867036 sur OpenAlexaff
Kelly Ross, Susan D. Arntfield, Stefan Cenkowski, Gary R. G. Fulcher

Notice bibliographique

RevueInternational Journal of Food Engineering · 2010
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSeed Germination and Physiology
Établissements canadiensUniversity of ManitobaAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésImbibitionLegumeGlass transitionMaterials scienceAbsorption of waterComposite materialPolymerGerminationBotany

Résumé

récupéré en direct d'OpenAlex

This work provides a novel view of explaining water uptake behavior commonly observed in legume seeds. A model proposed by Peleg to describe the mechanical changes in biomaterials transitioning from a glassy state to a rubbery state was used to describe water uptake by legume seeds exhibiting a lag during imbibition and to characterize the mechanical changes of the seed coat as affected by soaking time. The seeds characterized by Peleg’s model possessed seed coats with a glass transition temperature higher than ambient soaking conditions. Alternatively, the water uptake behavior of legume seeds that did not exhibit a lag phase was characterized by an exponential equation used in polymer science to model solvent sorption by materials above their glass transition. A modified exponential equation was developed to model the mechanical behavior of these seed coats as affected by soaking time. Seeds characterized by the exponential equation possessed seed coats with a glass transition temperature near ambient soaking conditions. This work demonstrates, through the use of two separate models, water uptake behavior of legume seeds can be explained by the glass transition temperature of the seed coat.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,010
Tête enseignante GPT0,207
Écart entre enseignants0,197 · 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'étudeObservationnel
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

Citations5
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Food EngineeringMême sujetSeed Germination and PhysiologyTravaux en français237 207