MétaCan
Menu
Retour à la cohorte
Enregistrement W4406345908 · doi:10.1080/07373937.2024.2438359

Comparative study of interval highly activated drying versus continue and intermittent convection drying processes

2025· article· en· W4406345908 sur OpenAlexaff
Wafa Hajji, Leila Ben Haj Said, Sihem Bellagha, Sabah Mounir, Arun S. Mujumdar, Karim Allaf

Notice bibliographique

RevueDrying Technology · 2025
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Drying and Modeling
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésTemperingProcess engineeringShrinkageSpray dryingEnvironmental scienceMaterials scienceEngineeringComposite material

Résumé

récupéré en direct d'OpenAlex

Conventional airflow is the most widely used drying process, although it has several drawbacks that affect the performance and quality of the final product. Investigators have operated various innovative drying techniques to improve the process’s efficiency and the product’s quality. For several years, our research team has defined new intensification drying processes such as swell drying (including Instant Controlled Pressure Drop (DIC)), Multi-Flash Autovaporization (DDS), and other intermittent drying processes. These operations, generally based on interrupting product exposure to heat, can improve energy efficiency and product quality. They have solved some of the problems of conventional continuous drying, such as long time, high-energy consumption, surface hardening, shrinkage, and poor-quality attributes. However, the definition of active and tempering periods in conventional intermittent drying has been empirical due to the lack of fundamental studies. Recently, we defined highly activated interval drying operations as an innovative drying process that intensifies drying performance and improves the quality of finished products. It aims to ideally separate the transfer phenomena during drying, exclusively dedicating the active period (tON) to surface evaporation and the tempering period (tOFF) to the diffusion of water within the product.

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 enseignants0,002
Score d'incertitude au seuil0,006

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 savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 GPT0,287
Écart entre enseignants0,249 · 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

Citations7
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDrying TechnologyMême sujetFood Drying and ModelingTravaux en français237 207