Investigation of the drying kinetics of brewer's spent grain ( <scp>BSG</scp> ) using artificial neural networks and traditional empirical models
Notice bibliographique
Résumé
Abstract Brewer's spent grain (BSG) is the main by‐product of the brewing industry. BSG can have diverse end‐users and has a high moisture level. To guarantee good conditions for storage and trade, it is necessary to remove the moisture from the material and use the proper method for the drying process. The phenomenon of water content removal is represented by mathematical models. Empirical and phenomenological models, as well as artificial neural networks (ANN) can be employed for this purpose. Here, we compare the fitted curves between empirical models (such as Page, Midilli–Kucuk, and Newton models) and an artificial neural network. The fits were investigated quantitatively by the analysis of the mean squared error (MSE) and determination coefficient (R 2 ). The residues generated were analyzed qualitatively by the plots of histograms and qqplots (quantil vs. quantil). From the results that were obtained, it is possible to conclude that the ANN model had the best performance when compared to the empirical and semi‐empirical models studied, with the lowest values of MSE and the highest values of the R 2 (0.999). The net presented adequate estimations for intermediate data as well, proving its use as a proper empirical model for the prediction of moisture data at several temperatures.
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 | 0,000 |
| 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 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 ».