Optimization of Beverage Formulation with Technique for Order of Preference by Similarity to Ideal Solution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents a new optimization approach for beverage formulation using the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). The comparison and ranking of candidates would be the essential steps for the evaluation of beverage production, which in turn requires the quality control of beverage ingredients. The quality of the beverage depends on the type and amount of the ingredients used for their preparation. This emphasizes the importance of the optimization of beverage formulation, which is addressed in this paper using the TOPSIS method. The results of this investigation show that ingredients with more impact on human health (having bigger weights) could affect the rank of drinks. The second, fourth, third and first candidates ranked first, second, third and fourth before and after the changes of criterion types and weight values. Moreover, the change of the criterion type accompanied with the increase in its concentration in the beverage had a significant impact on the candidates’ ranks. The similarity coefficient of the fourth candidate for which this ingredient concentration changed showed a decrease from 0.625 to 0.500. The optimization of beverage formulation with the modified TOPSIS algorithm showed the efficiency of the automated decision-making process with the obtainment of the same ranks in comparison with those of the analyses without the consideration of the candidates’ colors as they were used in beverages and could not determine their quality. The results in this research paper could be used for the quality improvement of drinks in the beverage industry.
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.
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 découle