Modeling of grain dryers: thin layers to deep beds
Notice bibliographique
Résumé
In order to store grain safely, it has to be dried; however, this process consumes large amounts of energy. Traditionally, grain is dried in small amounts using natural air, but now a days, agro industry requires to dry large amounts of grain in a short time. Burning the fossil fuels is the main energy source for drying grains, resulting in a polluting and expensive process. The use of alternative energy sources, biomass or sun, is not commonly used because they are neither reliable nor cheap. Heat pumps and microwaves are other ways to reduce the energy consumption in the drying process; however, the initial investment is higher. Moreover, they use electricity which is several times more expensive than thermal energy from fossil fuels depending on the location and the mode of energy conversion to electricity.The energy consumed for drying grains is mainly used in three process steps: warming up of the grain, evaporating water, and heating the humid air. In order to make the drying process really efficient, it is necessary to recover the energy from these three steps, or to extract the water in liquid form from the kernel. However, developing these alternatives has taken several decades. Meanwhile, it is important to improve the performance of the present dryers. In the present study, a predictive mathematical model, based on the process thermodynamics, was developed to simulate the drying kinetics of grains. The model describes how the grain and air conditions change during the drying process. It allowed to measure the impacts of process parameters such as: ambient air temperature and humidity, initial grain moisture, bed depth, and drying air flow and temperature on the performance of the drying process. The model permitted to develop control strategies to increase process performance, to reduce drying time and minimize energy consumption.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».