Kinetics of cashew apple drying through mechanistic models and analysis of the effects of drying conditions on the retention of bioactive compounds
Notice bibliographique
Résumé
Abstract Global cashew nut production is nearly 4 million tons per year, valued at 7 billion US dollars. Remarkably, almost the entire cashew apple crop, amounting to 20 million tons annually, goes to waste. However, the cashew apple contains valuable nutraceutical compounds, including tannins, polyphenols, and carotenoids, estimated to be worth 150 million US dollars annually. Due to the highly perishable nature of cashew apples, degradation is a significant issue. In response, the current work has established drying as an effective preservation technique for these bioactive components. The effect of drying temperature on bioactive compounds has been thoroughly investigated. The non‐random two liquid (NRTL) activity coefficient model effectively captures the thermodynamics of the drying process. To facilitate the selection and design of drying equipment, two mechanistic mass transfer models were developed. The first model employs the Maxwell‐Stefan framework to account for internal diffusion, with external mass transfer resistance appearing as a boundary condition. While this model works well for products like grapes, it proved inadequate for explaining the drying behaviour of cashew apples. Consequently, a second model was developed, postulating rapid moisture transport by capillary action within the cashew apple. This model effectively captures the effects of a wide range of operating conditions, using only external mass transfer resistance as the tuneable kinetic parameter. This mechanistic model is more suitable for dryer design compared to conventional phenomenological models like the logarithmic model and the two‐term exponential model.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».