Identifying treatment schemes for fruit and vegetable wash-water.
Notice bibliographique
Résumé
The fresh-cut fruit and vegetable sector continues to expand as consumers are looking for fresh yet convenient ready-to-eat foods. The driving force behind this increase is the many health benefits that researchers continue to report for fruits and vegetables. Investigations have shown that the processing of fresh-cut fruits and vegetables generates about 5 L of wastewater (wash-water) per kg of produce, whether it is fruit, leafy greens or root vegetables. This wash-water requires treatment prior to disposal or recycling. Generic water treatment units are too expensive for most small to medium sized operations, which require more affordable technologies. Even though there are a variety of treatment technologies available, the challenge for producers and regulators is that the selection of the appropriate treatment technology is difficult, and tools are needed to help make the decisions. Data for the research was collected by collecting samples from two different types of operation, washing and washing and processing. Various bench scale treatment processes where then tested, including settling, coagulation and flocculation with settling, centrifuge, dissolved air flotation, electrocoagulation, screening and hydrocyclone. The decisions tools developed decision matrices to summarize the removal effectiveness of the different treatments for typical wastewater parameters and serve as a reference tool in understanding wash-water treatment technologies and their effectiveness in treating various wash-waters. The data was then further analyzed to develop predictive correlations for raw wash-waters, followed by the development of models that identified which treatment process worked best for the type of wash-water being handled. Combining the decision matrices, correlations, and models also show the potential for water reuse. For example, wash-water high in suspended solids can be treated by electrocoagulation and settling. The tools provide information that growers, government and consultants can use in determining treatment options that were not previously available or studied in literature.
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 | 0,001 |
| 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 ».