<scp>ANN</scp> ‐based modelling of peppermint flavour encapsulation process with ultrasound approach
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
Abstract Encapsulation has great potential for preserving the flavour and health benefits of bioactive compounds. Hence, in the previous study, an attempt was made to encapsulate peppermint flavour in a gum arabic (GA) shell. To further understand the effect of a wide range of parameters, in the present study, artificial neural networks (ANNs) are developed. To predict the effect of various parameters on the encapsulation process, networks are developed with a back‐propagation algorithm. Input parameters for the ANN are flavour concentration, GA concentration, spray dryer temperature and feed flow rate to the spray dryer. The encapsulation process is evaluated in terms of encapsulation efficiency, product yield, and particle size. To predict all outputs simultaneously, a combined model is developed. The results showed that the combined model has similar accuracy as that of the individual model and also helps to save on processing time. For the combined model, the best prediction performance is obtained with 5‐4‐3 ANN architecture exhibiting an R 2 value of 0.9991, and corresponding MSE values of 0.000 54, 0.000 63, and 0.000 61 for encapsulation efficiency, product yield, and particle size, respectively. This indicates that the developed ANN model is capable of predicting the encapsulation process. The interpolation and extrapolation ability of the developed network is also evaluated.
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 | 0,000 |
| 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 découle