MétaCan
Menu
Retour à la cohorte
Enregistrement W2531410489 · doi:10.5539/jfr.v5n6p33

Drying Kinetics of Microwave-Dried Vegetable Amaranth (Amaranthus dubius) Leaves

2016· article· en· W2531410489 sur OpenAlexvenueno aff
Saheeda Mujaffar, Alex Lee Loy

Notice bibliographique

RevueJournal of Food Research · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Drying and Modeling
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAmaranthMicrowaveThermal diffusivityAnimal scienceHorticultureMicrowave powerBotanyChemistryMaterials scienceMathematicsFood scienceThermodynamicsBiologyPhysics

Résumé

récupéré en direct d'OpenAlex

The effect of microwave power level (200, 500, 700 and 1000W) on the drying behaviour of amaranth (Amaranthus dubius) leaves was investigated. Higher microwave power levels effected faster drying and there was an increase in drying rate constant (k) as microwave power level increased from 200 to 1000W and an increase in diffusivity (Deff) values from 3.04 x 10-10 to 2.82 x 10-9 m2/s. Leaves dried at 1000W power level however showed noticeable scorching after 540s of drying. Drying at the lower microwave power levels occurred in the constant and falling rate period, while at the higher power levels drying occurred in the falling rate period after an initial warm-up phase. Amaranth leaves could be dried at 700W power from an initial moisture content of 6.00 g H2O/g DM (85.7% wb) to 0.08 g H2O/g DM (7.6% wb) in 11.5 min. Overall, of the twenty-two thin layer models applied to the MR data, the Alibas model gave the best fit in terms of both the root mean square error (RMSE) and the chi-square statistic (c2).

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,070
Score d'incertitude au seuil0,139

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
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 Opus0,112
Tête enseignante GPT0,314
Écart entre enseignants0,202 · 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 tête enseignante, 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

Citations12
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Food ResearchMême sujetFood Drying and ModelingTravaux en français237 207