Effect of malva nut gum (purified and crude), sodium chloride and phosphate on cooking, texture, colour, rheology and microstructure of different chicken meat batters
Notice bibliographique
Résumé
1. In the first experiment, the effect of adding purified malva nut gum (PMG) to comminuted poultry breast meat batters formulated with different contents of sodium chloride (NaCl; 10 to 30 g/kg) and tripolyphosphate (TPP; 0 and 5 g/kg) was studied. 2. Increasing salt (sodium chloride) content, along with the addition of 1 g/kg PMG, was beneficial in reducing cooking loss. At all salt contents, batters with PMG showed lower springiness than batters without PMG. Adding PMG to the batter with 20 g/kg salt and TPP decreased fracture force, springiness and chewiness. 3. In a second experiment, the effects of PMG (0.0, 3.0 and 6.0 g/kg), crude malva nut gum (CMG; 3.0 g/kg) and TPP (0.0 and 4.0 g/kg) on cooking loss, fat loss, colour, texture, rheology and microstructure of emulsified chicken meat batters were studied. 4. Increasing PMG reduced cooking and fat losses. Adding TPP increased hardness, springiness, cohesiveness and chewiness. The 1.0 g/kg PMG and TPP provided the greatest hardness. The batter with 3.0 g/kg PMG resulted in the lowest lightness (L*) and highest redness (a*). Adding PMG and TPP resulted in stable batters, as was evident by light microscopy results. The rheological evaluation showed the highest G' in the batter with 4.0 g/kg TPP followed in decreasing order by the batters containing TPP plus 3.0 g/kg PMG, TPP plus 1.0 g/kg PMG, 3.0 g/kg PMG, 1.0 g/kg PMG, 3.0 g/kg CMG and the control. 5. Overall, the results are important for developing new applications where malva nut gum can be used to improve yield and stability of meat products.
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 | 0,001 |
| 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 ».