Multi‐objective optimization of drying conditions for the <i>Olea</i> <i>europaea</i> L. leaves with NSGA‐II
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Phenolic compounds from olive leaves, which attract great attention with their high phenolic content and high antioxidant activity, need to be dried to increase the extraction efficiency before extraction. For this purpose, it is aimed to obtain optimal drying conditions of hot air inlet temperature (Tg), orifice inlet air flow rate (ν), drying time (t), and rehydration ratio (RR) for moisture removal of olive leaves. For this purpose, final moisture content (MC) and moisture loss (ML) were modeled and optimized by using soft computing methods. Pareto sets were obtained from predicted quadratic linear models using the least-squares (LS) approach. The nondominated sorting genetic algorithm-II (NSGA-II) was used for optimization. The compromise solution was obtained using the fuzzy c-means clustering algorithm (FCM) algorithm, one of the multicriteria decision-making methods. When the olive leaf is dried under optimum conditions determined by FCM (Tg = 63.84°C, v = 1.700 m/s, t = 997 s, RR = 2.21%), the experimental values for total phenolic content (TPC) and oleuropein amount were (20.07 ± 1.01) mg GAE/g dw and (7.30 ± 0.71) mg/g dw, respectively. It was found that drying olive leaves under low airflow rate and low hot air input temperature resulted in less alteration of TPC and oleuropein amount. Practical applications After drying olive leaves under optimum conditions, high value-added compounds and phytochemicals can be obtained. A chemometric study based on soft computing approaches can be used for a drying process. Optimization of predicted fuzzy responses can be achieved in a multi-objective perspective through the nondominated sorting genetic algorithm-II (NSGA-II). Soft computing-based modeling and optimization tools can be applied to determine the optimum conditions of chemical, food, and pharmaceutical industry processes.
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.
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 découle