Kuminan kuivauskäytännöt ja optimaalinen kuivauslämpötila
Notice bibliographique
Résumé
Opinnäytetyöni tavoitteena oli löytää sopivin lämpötila kuminan kuivaukselle lämminilmakuivurissa. Sen ohella tutkittiin Suomessa käytössä olevia kuivaustapoja ja lämpötiloja. Aiheen valintaan vaikutti suuresti se, että kuminan kuivauksesta on toistaiseksi vähän tutkittua tietoa. Toimeksiantaja työlleni oli Maa- ja elintarviketalouden \ntutkimuskeskus. MTT:n Ylivoimainen kuminaketju –hankkeessa tutkitaan kuminan kuivausta osana sadon laatuun vaikuttavien tekijöiden tutkimusta. Teoriaosuudessa tarkasteltiin aluksi kuminan viljelytoimenpiteitä yleisellä tasolla, tämän jälkeen siirryttiin itse kuivaukseen. Kuminan kuivausta myös verrattiin kevätrypsin ja –rapsin, öljypellavan sekä camelinan kuivaukseen. Lisäksi käsiteltiin viljelijöiden käyttämiä kuivauslämpötiloja MTT:n viljelijätietojen pohjalta. Käytännön osassa käsiteltiin kolmea koetta, joita Jokioisten MTT oli toteuttamassa. Ensimmäinen oli lämpökaappien kuivauskoe, jossa tutkittiin laboratoriossa neljästä näytteestä öljypitoisuudet sekä limoneenin ja karvonin osuudet. Toinen koe tehtiin Lopella, ja siinä selvitettiin todellisia kuivauslämpöjä lämminilmakuivurin sisäpuolella. Kolmas koe liittyi puintikosteuksien mittaamiseen kuminalla. Siinä tarkasteltiin, kuinka tarkkoja lukemia tavallisella kosteusmittarilla pystytään saamaan. Työn edetessä ilmeni, että täysin optimaalista kuivauslämpötilaa lämminilmakuivurissa on hankala määrittää. Sopivin lämpötila löytynee työssä saatujen tuloksien mukaan karkeasti arvioiden 45°C-55°C väliltä. Työn aikana selvisi myös, että kuivauskäytännöissä on selvää vaihtelua viljelijöiden kesken, kuivauslämpötilat kuivurin sisällä voivat vaihdella ja kosteusmittarista saadut arvot ovat usein mahdollisesti vain suuntaa antavia.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,008 | 0,008 |
| Méta-épidémiologie (sens large) | 0,007 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,010 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,196 | 0,707 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».