Drying Kinetics of Noni Seeds
Notice bibliographique
Résumé
Noni seeds have been used for years as an important medicinal source, with wide use in the pharmaceutical and food industry. Drying is a fundamental process in the post-harvest stages, where it enables the safe storage of the product. Therefore, the present study aimed to fit different mathematical models to experimental data of drying kinetics of noni seeds, determine the effective diffusion coefficient and obtain the activation energy for the process during drying under different conditions of air temperature. The experiment used noni seeds with initial moisture content of 0.46 (decimal, d.b.) and dehydrated up to equilibrium moisture content. Drying was conducted under different controlled conditions of temperature, 40; 50; 60; 70 and 80 ºC and relative humidity, 24.4; 16.0; 9.9; 5.7 and 3.3%, respectively. Eleven mathematical models were fitted to the experimental data. The parameters to evaluate the fitting of the mathematical models were mean relative error (P), mean estimated error (SE), coefficient of determination (R2), Chi-square test (c2), Akaike Information Criterion (AIC) and Schwarz’s Bayesian Information Criterion (BIC). Considering the fitting criteria, the model Two Terms was selected to describe the drying kinetics of noni seeds. Effective diffusion coefficient ranged from 8.70 to 23.71 × 10-10 m2 s-1 and its relationship with drying temperature can be described by the Arrhenius equation. The activation energy for noni seeds drying was 24.20 kJ mol-1 for the studied temperature range.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».