Fractional order models for soybean drying kinetics: A mathematical approach
Notice bibliographique
Résumé
Abstract This study presents an advanced mathematical modelling approach to analyze the drying kinetics of Monsoy 6410 soybeans at temperatures of 50, 60, 70, and 80°C. Experimental data were obtained using a fixed‐bed dryer. Classical drying models were evaluated and compared with the Friesen fractional‐order model, which was enhanced by introducing a moisture‐dependent kinetic constant k ( X ). The modelling was performed using R software. Statistical comparisons using Akaike information criterion (AIC), Bayesian information criterion (BIC), mean squared error (MSE), and root mean squared error (RMSE) demonstrated the superiority of the fractional‐order models over classical ones. For example, at 50°C, the fractional‐order model with linear k(X) achieved AIC = −374, MSE = 6.98 × 10 −8 , and RMSE = 2.64 × 10 −4 , outperforming the Verma model (AIC = −342, RMSE = 4.55 × 10 −4 ). Across all temperatures, the fractional model with linear k(X) provided the best fit in 3 of 4 cases. This confirms the model's ability to capture complex drying behaviour more accurately, especially at high temperatures, where non‐linear and memory effects are significant. The results demonstrate the importance of fractional calculus in improving drying kinetics modelling and optimizing agro‐industrial drying processes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».