Real-Time Framework for Sustainable IoT-Based Grain Drying Integrated Load, Temperature, and Energy Performance Monitoring
Notice bibliographique
Résumé
This research develops an Internet of Things (IoT)-based real-time framework for integrated monitoring of load, temperature, and energy consumption performance in grain drying.Although IoT technology has transformed the agricultural sector, implementing low-cost sensors for precision monitoring in grain drying and the relationship between monitoring data and energy optimization still faces various challenges.The study integrated the DHT11 sensor and HX711 load cell with a closed-loop system and a mathematical model for estimating moisture content.The experimental method used comprehensive observation instruments, including continuous load measurement and monitoring at five strategic points of the DHT11 sensor and real-time power measurement.The results showed an increase in energy efficiency of 27.5% and reduced drying time by 20-30% compared to conventional farmers' methods in Merauke.In addition, the system can achieve an optimal humidity level (12-14%).The consistency of product quality reached 96.7%, and seed cracking cases reduced by 15.7%.The system ensures moisture accuracy, achieving an average error percentage of 1.92% in moisture detection and an overall drying efficiency of 67.1%; using a blower improves on the results of previous studies, which only reached 64.8% using LPG.The framework provides theoretical contributions in the form of empirical validation of drying dynamics correlation models and energy optimization, as well as practical contributions in the form of sustainable drying solutions that are adaptable to various scales of operations and support improving global food security through improved post-harvest efficiency.
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 | 0,000 | 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 | 0,000 |
| 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 ».