Modeling and optimization of orange peel drying using thin-layer equations and artificial neural networks for standardized powder production
Notice bibliographique
Résumé
• Microwave drying significantly reduced the drying time of orange peel. • The Wang and Singh model best fits the microwave drying kinetics. • The ANN model accurately predicts the moisture ratio of orange peel. • Microwave drying retained more color and functional properties. • Drying affected the bioactive compounds of orange peel. Globally, about 32 million tons of nutrient-rich orange peels are wasted annually due to the lack of optimized drying methods for efficient preservation and utilization. The present study addresses this gap by investigating the drying kinetics of orange peels were studied under convective hot air drying (CHAD, 90°C, 5 h) and microwave drying (MD, 180 W, 75 min) to optimize process parameters and improve the quality of dried powders for high-value applications. The results showed that MD significantly decreased drying time compared to CHAD. The drying data were analyzed using five thin-layer models. The Wang & Singh model best fitting the MD data and the logarithmic model best fitting the CHAD data. Additionally, moisture ratio predicted using a multi-layer feedforward artificial neural network (ANN) with backpropagation yielded high R 2 values for CHAD and MD, confirming the accuracy of model. Importantly, MD allowed superior retention of color and antioxidant properties of orange peels compared with CHAD, while requiring shorter drying time. This study presents a practical approach to sustainably valorizing citrus waste by developing optimized drying protocols that integrate experimental kinetics with machine learning predictions.
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 ».