Search

Your search keyword '"Barnabé, Marc"' showing total 4 results
Start Over Author "Barnabé, Marc"
4 results on '"Barnabé, Marc"'

2. LIDeOGraM: An Interactive Evolutionary Modelling Tool

Author

Chabin, Thomas, Barnabé, Marc, Boukhelifa, Nadia, Fonseca, Fernanda, Tonda, Alberto, Velly, Hélène, Lemaitre, Benjamin, Perrot, Nathalie, Lutton, Evelyne, Hutchison, David, Series Editor, Kanade, Takeo, Series Editor, Kittler, Josef, Series Editor, Kleinberg, Jon M., Series Editor, Mattern, Friedemann, Series Editor, Mitchell, John C., Series Editor, Naor, Moni, Series Editor, Pandu Rangan, C., Series Editor, Steffen, Bernhard, Series Editor, Terzopoulos, Demetri, Series Editor, Tygar, Doug, Series Editor, Weikum, Gerhard, Series Editor, Lutton, Evelyne, editor, Legrand, Pierrick, editor, Parrend, Pierre, editor, Monmarché, Nicolas, editor, and Schoenauer, Marc, editor

Published
2018
Full Text
View/download PDF

4. Multiscale modeling for bioresources and bioproducts

Author

Xavier Frank, Alberto Paolo Tonda, Nicolas Blanc, Jean-Yves Delenne, Thomas Chabin, Frédéric Mabille, Farhang Radjai, V. Hugouvieux, Thierry Ruiz, Evelyne Lutton, Marc Barnabe, Agnès Duri, Nathalie Perrot, Saeid Nezamabadi, Génie et Microbiologie des Procédés Alimentaires (GMPA), AgroParisTech-Institut National de la Recherche Agronomique (INRA), Ingénierie des Agro-polymères et Technologies Émergentes (UMR IATE), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Institut National de la Recherche Agronomique (INRA)-Université Montpellier 2 - Sciences et Techniques (UM2)-Centre international d'études supérieures en sciences agronomiques (Montpellier SupAgro)-Université de Montpellier (UM)-Institut national d’études supérieures agronomiques de Montpellier (Montpellier SupAgro), Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Sciences Pour l'Oenologie (SPO), Institut national d’études supérieures agronomiques de Montpellier (Montpellier SupAgro), Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université Montpellier 1 (UM1)-Université de Montpellier (UM)-Institut National de la Recherche Agronomique (INRA), Physique et Mécanique des Milieux Divisés (PMMD), Laboratoire de Mécanique et Génie Civil (LMGC), Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS), Institut National de la Recherche Agronomique (INRA)-AgroParisTech, Université Montpellier 1 (UM1)-Institut de Recherche pour le Développement (IRD [Nouvelle-Calédonie])-Institut National de la Recherche Agronomique (INRA)-Université de Montpellier (UM)-Institut national d’études supérieures agronomiques de Montpellier (Montpellier SupAgro), Institut national d’études supérieures agronomiques de Montpellier (Montpellier SupAgro)-Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Centre international d'études supérieures en sciences agronomiques (Montpellier SupAgro)-Université Montpellier 2 - Sciences et Techniques (UM2)-Université de Montpellier (UM)-Institut National de la Recherche Agronomique (INRA), Génie et Microbiologie des Procédés Alimentaires ( GMPA ), Institut National de la Recherche Agronomique ( INRA ) -AgroParisTech, Ingénierie des Agro-polymères et Technologies Émergentes ( IATE ), Centre de Coopération Internationale en Recherche Agronomique pour le Développement ( CIRAD ) -Université de Montpellier ( UM ) -Université Montpellier 2 - Sciences et Techniques ( UM2 ) -Institut national d’études supérieures agronomiques de Montpellier ( Montpellier SupAgro ) -Institut National de la Recherche Agronomique ( INRA ) -Centre international d'études supérieures en sciences agronomiques ( Montpellier SupAgro ), Sciences Pour l'Oenologie ( SPO ), Institut National de la Recherche Agronomique ( INRA ) -Institut de Recherche pour le Développement ( IRD [Nouvelle-Calédonie] ) -Université de Montpellier ( UM ) -Université Montpellier 1 ( UM1 ) -Institut national d’études supérieures agronomiques de Montpellier ( Montpellier SupAgro ), Laboratoire de Mécanique et Génie Civil ( LMGC ), Université de Montpellier ( UM ) -Centre National de la Recherche Scientifique ( CNRS ), Physique et Mécanique des Milieux Divisés ( PMMD ), Université de Montpellier ( UM ) -Centre National de la Recherche Scientifique ( CNRS ) -Université de Montpellier ( UM ) -Centre National de la Recherche Scientifique ( CNRS ), Barnabé, Marc, Blanc, Nicolas, Chabin, Thomas, Delenne, Jean-Yves, Duri, Agnès, Frank, Xavier, Hugouvieux, Virginie, Lutton, EVELYNE, Mabille, Frederic, Nezamabadi, Saeid, Perrot, Nathalie, Radjaï, Farhang, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Centre international d'études supérieures en sciences agronomiques (Montpellier SupAgro)-Université Montpellier 2 - Sciences et Techniques (UM2)-Université de Montpellier (UM)-Institut National de la Recherche Agronomique (INRA), and Institut National de la Recherche Agronomique (INRA)-Université de Montpellier (UM)-Université Montpellier 1 (UM1)-Institut de Recherche pour le Développement (IRD [Nouvelle-Calédonie])-Institut national d’études supérieures agronomiques de Montpellier (Montpellier SupAgro)

Subjects
Ingénierie des aliments, granular structure, Grain mobility, computer.software_genre, 01 natural sciences, Structuring, Industrial and Manufacturing Engineering, 010305 fluids & plasmas, Interactive Learning, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], système expert, processus d'apprentissage, Numerical modeling, [SDV.IDA]Life Sciences [q-bio]/Food engineering, Graphical model, apprentissage machine, 2. Zero hunger, Physics, méthode prédictive, [ SDV.IDA ] Life Sciences [q-bio]/Food engineering, Granular matter, Multiscale modeling, Living systems, maturation du raisin, analyse multiéchelle, Graphical models, structure granulaire, Process (engineering), microstructure, production bactérienne, Context (language use), Mechanics, models, Artificial Intelligence, 0103 physical sciences, Machine learning, Hydrotextural diagram, maturation du fromage, Food engineering, [ INFO.INFO-AI ] Computer Science [cs]/Artificial Intelligence [cs.AI], 010306 general physics, expert system, Soft-matter physics, Microstructure, Elaboration process, Expert knowledge, Interactive learning, General Chemistry, Intelligence artificielle, Expert system, Graphical, Biochemical engineering, computer, Food Science
Abstract

International audience; Designing and processing complex matter and materials are key objectives of bioresource and bioproduct research. Modeling approaches targeting such systems have to account for their two main sources of complexity: their intrinsic multi-scale nature; and the variability and heterogeneity inherent to all living systems. Here we provide insight into methods developed at the Food & Bioproduct Engineering division (CEPIA) of the French National Institute of Agricultural Research (INRA). This brief survey focuses on innovative research lines that tackle complexity by mobilizing different approaches with complementary objectives. On one hand cognitive approaches aim to uncover the basic mechanisms and laws underlying the emerging collective properties and macroscopic behavior of soft- matter and granular systems, using numerical and experimental methods borrowed from physics and mechanics. The corresponding case studies are dedicated to the structuring and phase behavior of biopolymers, powders and granular materials, and to the evolution of these structures caused by external constraints. On the other hand machine learning approaches can deal with process optimizations and outcome predictions by extracting useful information and correlations from huge datasets built from experiments at different length scales and in heterogeneous conditions. These predictive methods are illustrated in the context of cheese ripening, grape maturity prediction and bacterial production.

Published
2018
Full Text
View/download PDF

Catalog

Books, media, physical & digital resources
See catalog results