MétaCan
Menu
Retour à la cohorte
Enregistrement W4290769139 · doi:10.55900/nurkyhej

Synergy of Novel Technologies in Food Drying and its Applications

2022· article· en· W4290769139 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueProceedings of the 22nd International Drying Symposium on Drying Technology - IDS '22 · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueFreezing and Crystallization Processes
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésComputer science

Résumé

récupéré en direct d'OpenAlex

Food drying often has some issues which may conflict with requirements of efficiency,safety, quality,and energy consumption. High efficiency can lead to low energy consumption and saving drying costs but may cause reduced quality and even problems with safety of the dried foods which may reduce the value of the dried products. So it is very important for the researchers and manufacturers to balance the needs among safe shelf life along with high quality, good efficiency, and lower energy consumption. A comprehensive review of recent developments in synergy of novel technologies in food drying can provide the new trend in food drying R & D.Synergy of several novel technologies, such as Ultrasonic technology, nanotechnology, intelligent and/or computer simulation technology, hyperspectral imaging technology, NMR, have been synergied to meet these special requirements of efficiency, energy consumption, safety and quality. These highly efficient synergied methods can protect diverse quality parameters of fresh foods (such as color, flavor, nutrients, rehydration, appearance, uniformity, etc) and safety during an energy-saving drying process. Potential for future applications and research opportunities will be identified for both academia and industry.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,214
Score d'incertitude au seuil0,909

Scores Codex et Gemma par catégorie

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 ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,008
Tête enseignante GPT0,209
Écart entre enseignants0,200 · 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