MétaCan
Menu
Retour à la cohorte
Enregistrement W2035920926 · doi:10.1094/cchem-09-12-0116-r

<sup>1</sup>H Nuclear Magnetic Resonance (NMR) and Differential Scanning Calorimetry (DSC) Studies of Water Mobility in Dough Systems Containing Barley Flour

2013· article· en· W2035920926 sur OpenAlexafffund
Zhan‐Hui Lu, Koushik Seetharaman

Notice bibliographique

RevueCereal Chemistry · 2013
Typearticle
Langueen
DomaineNursing
ThématiqueFood composition and properties
Établissements canadiensUniversity of Guelph
Organismes subventionnairesAgricultural Adaptation Council
Mots-clésChemistryWater contentDifferential scanning calorimetryBound waterMoistureFood scienceWheat flourAnalytical Chemistry (journal)MoleculeChromatographyThermodynamics

Résumé

récupéré en direct d'OpenAlex

ABSTRACT This study used 1H nuclear magnetic resonance (NMR) spin‐spin relaxation time (T2) and differential scanning calorimetric (DSC) measurements of unfreezable water content (UFW), to assess water behavior in freshly prepared (25°C), refrigerator‐stored (4°C, one day), or freezer‐stored (–35°C, one day) doughs containing 5, 10, or 30% whole grain, air‐classified β‐glucan‐diminished, and air‐classified β‐glucan‐enriched (BGB‐E) barley flours. Three populations of water were detected by NMR, depending on moisture content of dough, namely, tightly (T21, 2–5 msec), less tightly (T22, 20–50 msec), and weakly (T23, 100–200 msec) bound water. T22 peak was always detectable, and T22 peak time linearly correlated to moisture content of dough in a range of 0.7–2.0 g/g db (r = 0.99, P < 0.05). Freezer storage showed less effect on water mobility in dough compared with refrigerator storage, whereas cooking and cool storage of cooked dough significantly decreased the water mobility (P < 0.05). Adding barley flour steadily decreased the water mobility in dough, and the reduction was more significant with adding BGB‐E (P < 0.05). Immobile water content was calculated by extrapolating T22 peak time versus total moisture content in dough and significantly correlated to the UFW content measured by DSC (r = 0.72, P < 0.05).

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0010,000

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 Opus0,019
Tête enseignante GPT0,238
Écart entre enseignants0,219 · 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

Citations87
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCereal ChemistryMême sujetFood composition and propertiesTravaux en français237 207