Multi-objective optimization and modeling of microwave-infrared pretreatment on drying and quality characteristics of cannabis ( <i>Cannabis sativa</i> L.) using response surface methodology and artificial neural network
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
Electromagnetic drying of cannabis is a fast and energy-efficient method, but prolonged exposure may impact product quality. The study aimed to explore short-time microwave-infrared (MI) pretreatment of cannabis before controlled environmental drying at 25 °C and 50% RH. Using a Box-Behnken design and response surface methodology (RSM), pretreatment time (2–5 min), infrared (75–225 W), and microwave (70–210 W) power were optimized to maximize drying rate and cannabinoid contents, with minimizing color change and energy consumption. Results showed that the drying rate, color changes and tetrahydrocannabinol (THC) of dried inflorescences increased significantly (p < 0.05), whereas the energy consumption and tetrahydrocannabinolic acid (THCA) decreased due to MI pretreatment, without affecting the total THC. The optimal parameters were determined to be 225 W infrared and 210 W microwave pretreatment for 3.36 min. Comparing to untreated cannabis drying, MI pretreatment of cannabis at optimized conditions and drying resulted in shorter drying time and lower moisture content, >65% energy savings, 43% reduction of terpenes and more porous microstructure. Artificial neural network (ANN) modeling with a 3-9-6 structure outperformed RSM in predicting the response variables. Overall, this study identified that short-time MI pretreatment improved cannabis drying efficiency and neutral cannabinoids, with ANN modeling offering accurate predictions.
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 | 0,001 | 0,001 |
| 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