Sequential optimization of drying and extraction processes for enhanced antioxidant recovery from <i>Parquetina nigrescens</i> leaves: Assessing drying parameters and extraction model reliability
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 study explored enhanced extraction of phenolic‐rich bioactive compounds from Parquetina nigrescens leaves. Two crucial industrial processes, drying and extraction, pivotal for processing P. nigrescens leaves for bioactive extract recovery, were extensively examined. Convective drying characteristics of P. nigrescens leaves were examined using a laboratory oven, varying air temperatures (35.0, 45.0, 55.0, and 65.0°C) at a constant air velocity of 1.50 m/s. Quality assessment of dried leaves determined optimal drying conditions for bioactive compound preservation. Sequential optimization of bioactive extract recovery was performed using the Box–Behnken design, a component of response surface methodology (BBD‐RSM), to optimize heat‐assisted extraction (HAE) process variables: operating temperature (OT), solid–liquid ratio (S/L), and extraction time (ET). Models were developed to predict total phenolic content (TPC), extract yield (EY), and antioxidant activity (AA). Monte Carlo simulation assessed the robustness of developed models. Drying time and temperature significantly influenced the process, with effective moisture diffusivity ranging from 8.20 E‐11 to 3.55 E‐10 m 2 /s. Leaves dried at 45.0°C for 640 min exhibited optimal quality. Extraction process variables (OT, S/L, ET) also showed significant effects. Multi‐objective optimization led to the attainment of 8.97 mg GAE/g for TPC, 25.0% for EY, and 6.31 μM AAE/g for AA. These achievements were realized with an OT of 55.0°C, ET of 151 min, and S/L of 1:40.8 g/mL. The developed BBD‐RSM models exhibited high reliability (TPC = 98.1%; EY = 99.9%; AA = 91.4%) aiding informed decision‐making in research and industrial applications. This study provides data for process design, equipment selection, and sustainable, value‐added product development.
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 | 0,000 | 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