Functional, Physical and Sensory Properties of Pulse Ingredients Incorporated into Orange and Apple Juice Beverages
Notice bibliographique
Résumé
The objective of this study was to explore the use of pulse ingredients in the development of orange juice and apple juice supplemented beverages. Commercially available pulse ingredients including pea protein (PP), chickpea flour (CPF), lentil flour (LF) and pea fibre (PF) were selected and characterized with respect to specific functional properties (water holding capacity, fat absorption capacity, protein solubility, emulsifying and foaming properties). Apple juice was supplemented with 1-4% pulse ingredients, whereas a supplementation level of 1-2% was used for orange juice. The physical and sensory properties of the supplemented beverages were measured after production and during 3 weeks of refrigerated storage. Sensory attributes for both orange and apple juice supplemented with 1% and 2% pulse ingredients were similar to their respective controls (with and without pectin added). In terms of turbidity, supplementation increased the turbidity of apple juice and orange juice beverages at all levels, in comparison with control and pectin-added control samples. Supplemented samples, showed less satisfactory results in terms of cloud stability and color especially for orange juice beverages in comparison with their respective controls. Overall, while there are some hurdles to be overcome, the results suggest that when used at the 1-2% levels, PP, PF, CPF and LF could serve as potential value-added ingredients for beverage supplementation based on their physical and sensory properties. Further studies are, however, required in this promising area to improve the stability of the final production especially during storage.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».