MétaCan
Menu
Retour à la cohorte
Enregistrement W4386289644 · doi:10.1002/cjce.25081

Mathematical modelling of wheat drying by fractional order and assessment of transport properties

2023· article· en· W4386289644 sur OpenAlexvenueno aff
Ana Caroline Raimundini Aranha, Andressa Lopes Ferrari, Camila Andressa Bissaro, Gustavo de Souza Matias, Rafael Oliveira Defendi, Sirlei Marques Paschoal, Luíz Mário de Matos Jorge

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2023
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Drying and Modeling
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMathematicsLaplace transformWater contentGeneralizationFunction (biology)Mathematical modelMoistureApplied mathematicsThermodynamicsStatisticsMathematical analysisPhysicsGeotechnical engineeringGeologyMeteorology

Résumé

récupéré en direct d'OpenAlex

Abstract The purpose of this study is to evaluate both the temperature and the initial moisture content of the material in mathematical models of drying. For this, empirical lumped parameter models were fitted based on experimental data of moisture over time. Furthermore, a new semi‐empirical drying kinetics model was applied. This model was developed using the generalization of arbitrary order of the Lewis equation obtained through the Laplace transform. After performing the fit, the fractional order model for drying wheat seeds as a temperature function was generalized. Distributed parameter models were also fitted to evaluate the influence of initial moisture content on drying kinetics and to estimate the moisture profile along the position inside the seed. It was verified that the fractional order model presented statistical results similar to models with a higher number of constants, being used to generalize the kinetic drying model for the three wheat cultivars. Generalized models showed better fits for the 3 cultivars with first‐degree function, and the maximum global deviation was 10%, 15%, and 20% for the cultivars BRS–Atobá, BRS–Jacana, and BRS–Sanhaço, respectively. In addition, the distribution of moisture content inside the seed was verified by the distributed parameter model, which predicted the experimental data with an overall deviation of around 10%.

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)0,001
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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
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 Opus0,039
Tête enseignante GPT0,207
Écart entre enseignants0,167 · 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'étudeSimulation ou modélisation
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

Citations18
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetFood Drying and ModelingTravaux en français237 207