Manufacture of defatted canola meal with enhanced nutritive composition by air classification on an industrial scale
Notice bibliographique
Résumé
Abstract BACKGROUND Air classification was used to fractionate canola meal (CM). The effect of combinations of air classification conditions, including rotor speed ranging from 300 to 1200 rpm, air stream rate from 700 to 860 cfpm, and secondary air from 0 to 30%, on particle size and nutritive composition was investigated. Response surface methodology was used to develop response surface equations to estimate these effects. RESULTS Protein concentration increased in almost all the fine fractions. Effects of both secondary air and rotor speed of the air classifier were significant at P ≤ 0.1 and P ≤ 0.01, respectively. Almost all the fine fractions contained more oil. Rotor speed, air stream rate, and their interaction were significant at P ≤ 0.01. Both acid detergent fiber (ADF) and neutral detergent fiber (NDF) were shifted to the coarse fractions during the air classification. The rotor speed was significant for both ADF and NDF at P ≤ 0.01. CONCLUSIONS Protein shifted to the fine fractions. The highest protein concentration in the fine CM fraction was estimated to be 404.2 g kg −1 , demonstrating an enhancement of 10.7%. ADF and NDF shifted to the coarse CM fractions and were respectively estimated to be 294.8 and 332 g kg −1 , which were increased by 52.7% and 43.7%. Oil shifted to the fine fractions. The highest concentration was predicted to be 59.7 g kg −1 , increased by 45.6%. Fine or coarse fraction yields were estimated to be 35–50%, indicating that they are acceptable for an industrial manufacture. © 2019 Society of Chemical Industry
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».