Modelling thermal characteristics of cocoa butter using a feed-forward artificial neural network based on multilayer perceptron
Notice bibliographique
Résumé
Abstract Cocoa butter is the most important ingredient of chocolate, which determines its melting behaviour. Variations in the melting characteristics of cocoa butter can profoundly affect the performance and suitability for their industrial utilisation. Over time, researchers have been attempting to establish a logical relationship between cocoa butter's unique thermal properties and the amount of saturated to unsaturated fatty acids in mono, di and triglycerides, and fatty acids (as major components), and free fatty acids, soap, primary oxidation products, minerals, moisture, phospholipids, tocopherols, unsaponifiable matters and metals (as minor components) found in cocoa butter. In this research, the thermal behaviours of thirteen samples of cocoa butter with different origins were investigated using isothermal differential scanning calorimetry. The cocoa butters starting temperature of crystallisation, temperature of maximum heat release, temperature of completed crystallisation and the enthalpy of heat release during recrystallisation were evaluated. In addition, the chemical composition (moisture, acidity, peroxide, minerals and soap content), fatty acid and triacylglycerol composition were used to establish an MLP-ANN with fourteen input neurons connected by two flexible, sigmoid activation function layers. The back-propagation was used to train the artificial neural network (ANN) structure and optimise the error of prediction. The study showed that the MLP algorithm can predict the thermal behaviour of CB samples with trace error, regardless of plant growth and extract process condition.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».