MétaCan
Menu
Retour à la cohorte
Enregistrement W1986848950 · doi:10.1111/j.1745-4603.2008.00164.x

INVESTIGATION OF UNIAXIAL STRESS RELAXATION PARAMETERS TO CHARACTERIZE THE TEXTURE OF YELLOW ALKALINE NOODLES MADE FROM DURUM AND COMMON WHEATS

2008· article· en· W1986848950 sur OpenAlexaff
D. W. Hatcher, G.G. Bellido, J.E. Dexter, M. J. Anderson, Bin Xiao Fu

Notice bibliographique

RevueJournal of Texture Studies · 2008
Typearticle
Langueen
DomaineNursing
ThématiqueFood composition and properties
Établissements canadiensCanadian International Grains Institute
Organismes subventionnairesnon disponible
Mots-clésTexture (cosmology)Food scienceRheologyStress relaxationMaterials scienceMathematicsYield (engineering)Relaxation (psychology)Composite materialChemistryArtificial intelligenceComputer scienceBiology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Durum wheat samples (three varieties), milled to yield straight‐grade and patent flours, were processed into YANs. CWHWS and CWRS flours, customarily employed to make noodles, were included for comparative purposes. Uniaxial stress relaxation parameters, %SR, K1 and K2, derived from Peleg's model, were determined for all cooked noodles. Analysis of variance indicated a significant durum sample effect (P < 0.0001) on all three parameters. Significant differences (P = 0.05) were observed among all three CWHWS parameters and the durum flour samples, but not for CWRS. Significant correlations were detected among the three stress relaxation parameters and empirical texture measurements: RTC, REC and MCS. Flour yield exhibited a significant effect (P = 0.05) on %SR, K1 and K2, which was not detected using the empirical texture measurements. The uniaxial stress relaxation test provides a complementary, discriminating method for YAN texture measurement. PRACTICAL APPLICATIONS This describes the use of uniaxial compression to characterize and discriminate Asian noodle quality texture parameters on the basis of rheological principles. It demonstrates the discriminatory power of three parameters to discern similar noodle flour sources. The technique and parameters are simple to calculate and are well correlated with traditional empirical texture measurements.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,271
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations34
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Texture StudiesMême sujetFood composition and propertiesTravaux en français237 207