Multi‐objective <scp>Deng's</scp> grey incidence analysis, orthogonal optimization, and artificial neural network modelling in hot‐maceration‐assisted extraction of <scp>African</scp> cucumber leaves ( <scp> <i>Momordica balsamina</i> </scp> )
Notice bibliographique
Résumé
Abstract Due to the inherent multiple response characteristics in many biological and separation processes, parameter optimization and modelling is usually a daunting task. The integration of Deng's grey incidence model (GRA) and Taguchi optimization (TM) therefore helps in transforming multiple quality characteristics into a single response presented as the grey relational grade (GRG). This was applied to optimize the multiple quality response characteristics in the maceration‐assisted extraction of African cucumber leaves. Two responses and five design factors were selected with L 16 (2 5 ) layout using signal‐to‐noise ratio as a point prediction feature. Under the optimized conditions, the optimum total phenolic content and antioxidant capacity of 0.8569 mg/ml gallic acid equivalence and 0.9259 mg/ml were achieved, respectively. The mass ratio was the highest contributor (38.2%), whereas the maceration time presented the least contribution (9.8%) to the cumulative response grade (GRG). In the neural network analysis, three models were deployed: Levenberg Marquardt backpropagation neural network (LMNN), gradient descent with adaptive learning rate neural network (GDALRNN), and the resilient back‐propagation neural network (RPNN). A better prediction of hold‐out data was achieved with the GDALRNN model, generating lesser absolute deviation error ( MAD GDALRNN = 0.099), root mean square error ( RMSE GDALRNN = 0.1033), relative mean bias error ( rMBE GDALRNN = − 0.24), and highest computational time (CT GDALRNN = 8.8), which is expected of an effective model. Based on the GRG and the signal‐to‐noise ratio, the optimum conditions and the neural network model succinctly provided a benchmark for future assessment of complex relationship among extraction variables, which could form the basis for a potential future scale‐up applications.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 ».