MétaCan
Menu
Retour à la cohorte
Enregistrement W4210816146 · doi:10.7451/cbe.2020.62.3.1

Dry mass loss of different moisture content canola at different temperatures

2022· article· en· W4210816146 sur OpenAlexafffundvenue
Fuji Jian, Rajendran Vignesh, Liam Carlin

Notice bibliographique

RevueCanadian Biosystems Engineering · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Drying and Modeling
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCanolaGerminationAnimal scienceWater contentMoistureDry weightMathematicsHorticultureBiologyAgronomyMaterials scienceComposite material

Résumé

récupéré en direct d'OpenAlex

Dry mass loss (DML) of Sound canola and Mouldy canola (sound + mouldy canola) was measured at 25, 30, and 35oC over 14 weeks by weighing 10 kg samples every 2 week. The moisture content of the canola was 10, 12.5, and 15.0% (wet basis). The relationship was quantified among the DML measured gravimetrically, germination decrease rate (GDR), and decrease in the percentage of test weight (PTW). The measured DML was also compared with the DML estimated from respired CO2. The measured DML increased as germination and test weight decreased, and the Spearmen Rank Order correlation between DML and germination or between DML and PTW was greater than 0.58 in 18 of 24 cases. The GDR of mouldy canola was significantly higher than that of Sound canola except at 15% moisture content and 35oC. A decrease of germination and/or PTW could be used to estimate roughly the DML trend but did not predict the DML value with high accuracy. There was no significant difference between the measured- and estimated-DML. Measuring the mass loss or CO2 production roughly estimated DML but using DML to evaluate grain quality was unreliable.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,164
Écart entre enseignants0,147 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Biosystems EngineeringMême sujetFood Drying and ModelingTravaux en français237 207