Kuminan kuivauskäytännöt ja optimaalinen kuivauslämpötila
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.033 | 0.018 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".