MétaCan
Menu
Retour à la cohorte
Enregistrement W2972560913 · doi:10.5539/jas.v11n16p223

Kinetics of Drying and Physical-Chemical Quality of Peach cv. Hubimel

2019· article· en· W2972560913 sur OpenAlexvenueno aff
Newton Carlos Santos, Sâmela Leal Barros, Shênia Santos Monteiro, Semirames do Nascimento Silva, Victor Herbert de Alcântara Ribeiro, Vírgínia M. de A. Silva, Josivanda Palmeira Gomes, Ângela Maria Santiago, Márcia Ramos Luíz, Danise Medeiros Vieira, Rafaela Duarte Almeida Araújo, Silvana Bélem de Oliveira Vilar, Eliélson Rafael Barros

Notice bibliographique

RevueJournal of Agricultural Science · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Drying and Modeling
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBiot numberThermal diffusivityThermodynamicsKineticsDiffusionConvectionChemistryMaterials scienceMass transferProcess (computing)Heat transferMechanicsPhysics

Résumé

récupéré en direct d'OpenAlex

The objective of this study was to perform the kinetics of peach drying and to adjust the experimental data obtained to empirical and diffusive mathematical models to evaluate the effect of temperature on the physical-chemical quality of the final product. The drying experiments were performed in an air circulation dryer with a velocity of 1.5 m s-1, the drying kinetics were performed at temperatures of 60, 70 and 80 °C. Among the mathematical models applied, the Page model was the one that best fit the experimental data, because it presents greater efficiency in the description of the drying process. The decrease in the drying rate from the initial time to the end of the process was observed, increasing the temperature of the air caused a reduction in the drying time. It was verified through the analytical solution of the diffusion equation with infinite wall geometry that the increase of the drying temperature caused the increase of the diffusivity and convective coefficient of heat transfer. Through the Biot number, it can be stated that the first-type boundary condition would also describe the process satisfactorily. The fresh peach slices present high water content and water activity and the drying effect caused significant differences in all physical-chemical parameters analyzed.

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)0,001
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 enseignants0,487
Score d'incertitude au seuil0,120

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,031
Tête enseignante GPT0,269
Écart entre enseignants0,238 · 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

Citations11
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

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