MétaCan
Menu
Retour à la cohorte
Enregistrement W2934870996 · doi:10.3389/fnut.2019.00020

Overview of Some Recent Advances in Improving Water and Energy Efficiencies in Food Processing Factories

2019· review· en· W2934870996 sur OpenAlexaff
Nooshin Nikmaram, Kurt A. Rosentrater

Notice bibliographique

RevueFrontiers in Nutrition · 2019
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueWater-Energy-Food Nexus Studies
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésFood processingSustainabilityReuseEnvironmental scienceEfficient energy useEnergy consumptionPopulationFood wasteEnvironmental pollutionBusinessWaste managementEnvironmental economicsEngineeringEnvironmental protection

Résumé

récupéré en direct d'OpenAlex

Rapid development of food factories in both developed and developing countries, owing to continued growth in the world population, plays a critical role in the food supply chain, including environmental issues such as pollution, emissions, energy and water consumption, and thus food system sustainability. The objective of this study was to briefly review various environmental aspects of food processing operations, including aquatic, atmospheric, and solid waste generation, and also to discuss several strategies that many companies are using to reduce these negative impacts as well as to improve water and energy efficiency. To obtain higher energy efficiencies in food processing factories, two key operations can play critical roles: non-thermal processing (e.g., high pressure processing) and membrane processes. For higher water efficiency, reconditioning treatments resulting in water reuse for other purposes can be conducted through chemical and/or physical treatments. With regards to reducing volumes of processing food waste, two approaches include value-added by-product applications (e.g., animal feed) and/or utilization of food waste for energy production. Finally, we present trends for lowering operational costs in food processing.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,969
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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 technologies0,0000,000
Communication savante0,0000,001
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 Opus0,032
Tête enseignante GPT0,263
Écart entre enseignants0,231 · 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.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

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

En bref

Citations44
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in NutritionMême sujetWater-Energy-Food Nexus StudiesTravaux en français237 207