Application of multivariate adaptive regression splines (MARS) to study the colorization occurring in the process of lactulose production following lactose electro-activation
Notice bibliographique
Résumé
Lactulose is widely used in the food and pharmaceutical industries and is obtained from the chemical and enzymatic isomerization processes of lactose. Recently, electro-activation, a chemical-free process, has been effectively used for lactulose production at ambient temperature. However, the electro-activated (EA) isomerization process produces colored lactose solutions like the conventional chemical isomerization processes, which becomes a concerning issue. In this context, artificial intelligence-based machine learning tools can be pivotal. The current study observed the color development due to the EA isomerization process and established a model using the multivariate adaptive regression spline (MARS). The color development was expressed in terms of total color difference (ΔE ab ) using the seven input parameters, such as reaction type, reaction time, relaxation time, relaxation temperature, L* , a* , and b* . A total of 127 configurations resulting from the combination of input numbers (1-7) were employed to understand the color development using MARS. The K-fold (K=10) cross-validation technique was applied to select the best-fit combination for each input configuration that underscored the non-linear and complex nature of the color development, offering insights about the input parameters. The reaction type, reaction time, a *, and b* were identified as the key parameters of the color development. The corresponding basis functions of the best-fit configurations reflected the interactions and connected the nonlinearities across the input parameters to understand their impact on the color development using the MARS algorithm.
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 | 0,001 |
| 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 ».