Effect of Milling Temperature and Postmilling Cooling Procedures on Rice Milling Quality Appraisals
Notice bibliographique
Résumé
ABSTRACT The objective of this research was to study the effects of different milling conditions and postmilling handling procedures on appraised milling quality of rough rice. Rough rice (M202) with moisture content of 11.5 ± 0.2% was used for this study. The samples were milled with a McGill number 3 mill under four milling conditions, including normal milling, milling at high temperature, milling with cooling using ice water, and room temperature water. The milled rice samples were cooled in closed and open plastic containers and in open pans with three temperatures: 15, 23, and 35°C. The effects of milling and postmilling conditions on milled rice temperature, moisture loss, cooling rate, single and multiple fissuring rates, total rice yield (TRY), head rice yield (HRY), whiteness index (WI), and total lipid content (TLC) were evaluated. Results showed that high single and multiple fissuring rates and low TRY and HRY were inherent in improper milling and postmilling conditions. Single fissuring rates were 15.9 and 17.6% and multiple fissuring rates were 3.5 and 7.2% for rice samples milled under normal and high‐temperature conditions, respectively. Cooling methods that used open containers and pans had more moisture losses and further resulted in lowering appraised milling quality than methods that used closed containers. Low‐temperature milling conditions followed by cooling in closed containers significantly reduced single and multiple fissuring rates and improved TRY and HRY by 0.9 and 1.5 percentage points, respectively. The effects of tested milling and postmilling conditions on WI and TLC were not significant. Obtained results constitute valuable information for developing milling and cooling procedures to achieve consistent, accurate, and reliable milling quality appraisals for rough rice.
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 | 0,000 | 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 ».