Comparative performance of solar cabinet, vacuum assisted solar and open sun drying methods
Bibliographic record
Abstract
La tomate (Lycopersicon esculentum L. var) est une importante source nutritive de notre alimentation et les tomates séchées gagnent en popularité dans de nombreuses préparations alimentaires. Le séchage naturel est la méthode traditionnelle utilisée pour la production de tomates séchées, cependant c’est un processus lent et la qualité du produit séché est variable et sujette à la contamination. Un séchoir solaire et un séchoir solaire sous-vide furent donc développés afin d’étudier le séchage solaire de tranches de tomates (4, 6 et 8 mm d’épaisseur) en comparaison au séchage naturel sous les conditions météorologiques de Montréal, Canada. La cinétique du séchage des tranches de tomates suivant des modèles en couches minces a été établie en fonction de l’influence des conditions météorologiques telles que la température ambiante, l’humidité relative, le rayonnement solaire et la vitesse du vent. Lors du séchage dans le séchoir solaire et le séchoir solaire sous-vide, la température interne des deux séchoirs a atteint 63° et 48°C respectivement alors que la température ambiante était de 30°C. Les tranches de tomates de 4, 6 et 8 mm d’épaisseur ont pu être séchées d’un taux d’humidité de 94% à 11.5% (état humide) et ce après 300, 420 et 570 minutes en utilisant le séchoir solaire, en 360, 480 et 600 minutes grâce au séchoir solaire sous-vide, alors qu’il en a pris 435, 615 et 735 minutes par séchage naturel. La qualité des tranches de tomates a été évaluée en fonction de certains paramètres physico-chimiques tels que la stabilité de la couleur, l’activité de l’eau, la capacité de réhydratation, et la conservation de l’acide ascorbique. Des tranches de tomates séchées de meilleure qualité peuvent être produites par séchage solaire sous-vide en comparaison avec le séchage solaire et le séchage naturel. La modélisation de Page offre une très bonne représentation$
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".