Leveraging machine learning for the optimization of reinforced rapeseed protein-gelatin edible coatings for enhanced food preservation
Notice bibliographique
Résumé
• Expanded 13 data points to 1,000 using Gaussian noise for data augmentation. • ML models showed R 2 : 0.9517–0.9998 and MSE: 0.0001–0.5537. • Optimized film had T.S. 28.94 MPa, E% 22.61, and WVP 4.40 × 10 2 g·mm/m 2 ·day·kPa. • Model predictions showed strong correlation with experimental results. • Edible film coating extended fruit shelf life by 7 days at ambient conditions. Optimizing component ratios is crucial for enhancing bioplastic formulations. Traditional optimization is time-consuming, while data-driven methods require large datasets. To address this, we augmented thirteen experimental data points to 1,000, enhancing machine learning (ML) model accuracy. Three ML models were trained to optimize the formulation of a rapeseed protein-gelatin nanocomposite reinforced with cellulose nanocrystals (CNC) and cross-linked with citric acid. The models showed high predictive performance (R 2 : 0.9517–0.9998; MSE: 0.0001–0.5537; MAE: 0.0018–0.4221). The optimal formulation (1:1:5.5:3.87) yielded a film with 28.94 ± 1.18 MPa tensile strength, 22.61 ± 2.12 % elongation, and 4.40 ± 0.04 g mm/d·m 2 ·kPa × 10 2 water vapor permeability. A film based on this formulation was applied as a coating on fruits and showed an increased shelf life, verifying its practical application. Our results show that the integration of generated data enhances ML predictive performance, capturing complex nonlinear relationships between input and output variables, thus balancing the mechanical and barrier properties of biopolymer films. This work highlights the potential of data generation and ML in materials science by providing a pathway to accelerate the development of sustainable bio-based plastics.
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 | 0,001 | 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 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 ».