MétaCan
Menu
Retour à la cohorte
Enregistrement W4295210900 · doi:10.3390/foods11182765

The Effect of Material Thickness, Load Density, External Airflow, and Relative Humidity on the Drying Efficiency and Quality of EHD-Dried Apples

2022· article· en· W4295210900 sur OpenAlexafffund
Anjaly Paul, Alex Martynenko

Notice bibliographique

RevueFoods · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Drying and Modeling
Établissements canadiensDalhousie University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésAirflowRelative humidityMaterials scienceThermal diffusivityElectrohydrodynamicsHumidityComposite materialPulp and paper industryEnvironmental scienceChemistryMeteorologyMechanical engineeringThermodynamicsElectrode

Résumé

récupéré en direct d'OpenAlex

Electrohydrodynamic drying is a novel non-thermal technique for dehydrating heat-sensitive foods. However, its industrial applications are limited due to the underexplored effects of material properties and environmental conditions on product quality. For this purpose, a multifactorial experiment was designed to study the effects of material thickness, load density, external airflow, and humidity on the EHD drying efficiency and quality of apple slices. The experiments show that the intensity of EHD drying increased with a decrease in humidity, slice thickness, and load density. The effective diffusivity of apple slices with EHD drying was about 5.17·10−12 m2/s, slightly increasing with external airflow. The specific energy consumption of EHD drying was 10–12 times lower than hot air drying. The time of EHD drying at 20 °C was equivalent to hot air drying at 40 °C, but the impact of EHD drying on the product quality was significantly lower. EHD drying better preserved the color and phenolic content in dried apple slices, with less cellular damage. Hence, EHD drying can be employed in industry as a sustainable alternative to hot air drying.

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)0,001
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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0000,000

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 Opus0,034
Tête enseignante GPT0,256
Écart entre enseignants0,222 · 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

Citations25
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFoodsMême sujetFood Drying and ModelingTravaux en français237 207