A comparative study of RSM and ANN models for predicting spray drying conditions for encapsulation of <i>Lactobacillus casei</i>
Notice bibliographique
Résumé
Abstract Background and Objectives The aim of this study was to develop a wall material using pea protein isolate and pectin to optimize the encapsulation of Lactobacillus casei by spray drying. Response surface methodology (RSM) and artificial neural network (ANN) were used to analyze the effect of processing parameters. Findings The results showed that both RSM and ANN could be used to successfully characterize the experimental data, although ANN demonstrated greater predictive accuracy than RSM due to a higher R 2 and lower mean square error (MSE). Conclusion ANN was observed to show more suitability than RSM. The encapsulation efficiency (90.7%), yield (45.5%), and wettability (169 s) of spray‐dried probiotic powder obtained under optimal spray drying conditions (inlet air temperature (132°C); feed flow rate (9.5 mL/min) and pea protein isolate concentration (7.1%)) were observed to be not significantly different ( p < .05) from predicted values for all three parameters, demonstrating the validity of applied model. Significance and Novelty In this study, production technology of vegan base probiotic powder has been developed using mathematical modeling through the spray‐drying method. Therefore, this data can be useful for food processing industries to develop a high‐quality probiotic powder through spray 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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».