Drying Kinetics of Sliced Pineapples in a Solar Conduction Dryer
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
As a means of adding value to pineapple production and minimising post-harvest losses, sliced pineapples were dried using a Solar Conduction Dryer (SCD) and appropriate thin layer drying models to predict drying were developed whilst the performance of the SCD was also investigated. For the period of the experiment, ambient temperature and temperature in the dryer ranged from 24 to 37 °C and 25 to 46 ℃ respectively. The performance of the dryer was compared to open sun drying using pineapple slices of 3-5 mm in thickness where the slices were reduced from an average moisture content of 85.42 % (w.b.) to 12.23 % (w.b.) by the SCD and to 51.51 % (w.b.) by the open sun drying in 8 hours effective drying time. Pineapple slices of thicknesses 3 mm, 5 mm, 7 mm and 10 mm were simultaneously dried in the four drying chambers of the SCD and their drying curves simulated with twelve thin layer drying models. The Middilli model was found as the best fitted thin layer drying model for sliced pineapples. The optimum fraction of drying tray area that should be loaded with pineapples was also investigated by simultaneously loading 7 mm slices of pineapples at 50, 75, and 100 percent of drying tray area. Loading the slices at 50, 75 and 100 percent of drying tray area gave overall thermal efficiencies of 23, 32 and 44 percent, respectively, hence loading pineapple slices at 100 percent drying tray area was recommended as the best.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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