MétaCan
Menu
Retour à la cohorte
Enregistrement W2943231473 · doi:10.5539/jas.v11n6p501

Drying of Albedo and Whole Peel of Yellow Passion Fruit

2019· article· en· W2943231473 sur OpenAlexvenueno aff
E. C. O. da Silva, W. P. da Silva, Josivanda Palmeira Gomes, C. M. D. P. S. Silva, Hofsky Vieira Alexandre, Vera Solange de Oliveira Farias, Bruno Adelino de Melo, Alexandre José de Melo Queiroz, R. M. F. de Figuiredo

Notice bibliographique

RevueJournal of Agricultural Science · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Drying and Modeling
Établissements canadiensnon disponible
Organismes subventionnairesConselho Nacional de Desenvolvimento Científico e Tecnológico
Mots-clésMaceration (sewage)Passion fruitMathematicsStatistical analysisPulp and paper industryFood scienceChemistryEnvironmental scienceStatisticsEngineeringEnvironmental engineering

Résumé

récupéré en direct d'OpenAlex

The use of waste has been the focus of attention of the agri-food sector, and a fruit with large amount of waste is the passion fruit. Its peel consists of albedo and flavedo, which can be used to manufacture flour, and some studies propose the need to remove the flavedo as well as to perform maceration. The objective of the present work was to study the drying process to produce flour from passion fruit albedo and whole peel, checking the influences of the flavedo removal and maceration steps, as well as the drying temperatures (70 and 80 ºC). Yield after drying was calculated and it was shown to be low. Page, Silva et alii, Henderson and Pabis and Logarithmic mathematical models were fitted to the experimental data using LAB Fit software. The statistical indicators used to identify the best fit were coefficient of determination (R2) and chi-square (χ2). The Page model was the one that fitted best to the data, showing the best statistical indicators. Also, it can also be highlighted that the sample composed of peel without maceration and dried at 70 ºC had the best results regarding the statistical indicators.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

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)0,0010,000

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 Opus0,015
Tête enseignante GPT0,219
Écart entre enseignants0,203 · 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'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

Citations17
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetFood Drying and ModelingTravaux en français237 207