Advanced Chain Regression and Deep Learning Models for Fish By‐Product Drying Optimization: An Intelligent Conveyor System for Sustainable Waste Valorization
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
ABSTRACT The rapid increase in global fish waste, estimated at two‐thirds of total catch, presents critical environmental and economic challenges. This study introduces an innovative approach combining a heat conveyor dryer with advanced machine learning techniques for optimizing fish by‐product processing. The experimental design evaluated three critical parameters: drying temperatures (60°C, 70°C, and 80°C), air conveying speeds (1, 1.5, and 2 m/s), and product layer thicknesses (5, 7, and 9 mm). The optimal configuration achieved a 150‐min drying time at 80°C, 2 m/s air velocity, and 5 mm thickness, reducing processing time by 70% compared to conventional methods. Deep Neural Networks with 12 layers demonstrated superior prediction accuracy (R 2 = 0.979) for moisture content, while chain regression models using XGBoost achieved 97.8% accuracy in moisture ratio prediction. The dried products retained high nutritional value with 45.08% protein and 15.1% fat content, comparable to fresh samples. Compared to the best mathematical model (Page), the optimal machine learning model (deep neural network 12) provided more accurate and robust predictions of drying behavior across all tested conditions. This integrated approach offers a sustainable solution for fish waste valorization, potentially reducing processing energy consumption by 35% while maintaining product quality. The developed models enable real‐time process optimization, contributing to both economic efficiency and environmental conservation in fisheries waste management.
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 | 0,000 |
| 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 | 0,001 |
| 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