Energy-Qualitative and Sustainable Impacts on Differents Soy Grain Drying Technologies
Notice bibliographique
Résumé
The objective of this current paper is to evaluate, in real production scale, the management of soybean batches in the storage unit of harvested grains that are submitted to drying processes with different technologies, such an evaluation can contribute to minimizing energy and qualitative losses, and to ensuring the grain quality and sustainability of the postharvest system. The experiment was realized in full-scale production and the treatments utilized were lots moist soybean crop (SUL), RR dry soybean (SSLRR), RR2 dry soybean (SSLRR2), dried soybean in continuous dryer (SSS1) (11.0%), dried soybean silo-dryer (SSS2) (12.5%), dried soybean in silo aerator (SSS3) (14.0%). Energy losses and grain quality as a function of drying management ranged from 2.5 to 16.4% in energy, from 0.23 to 3.26% in crude protein and 0.15 to 3.05% in oil—the maximum yield of wet soybeans harvested from the crop (SUL) at 17% (w.b.). Considering the annual Brazilian soybean production, energy losses reach up to 162,282.50 m³ of firewood, approximately 2,116,963,470 kg of crude protein and 810,616,800 liters of crude oil. This would ensure lower losses and higher grain quality, including better yield of protein and crude oil, specifically reducing energy impacts by increasing the efficiency of the drying system. The current study concluded that the SSS1 drying system reduces energy-environmental impacts by 80.23%, reduces crude protein losses by 94.73%, and crude oil by 95.08%.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,001 | 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 ».