Effects of Protein Content and Composition on White Noodle Making Quality: Color
Notice bibliographique
Résumé
ABSTRACT Wheat cultivars, representing three winter and three spring wheats were grown in western Canada with six levels of nitrogen fertilizer and flours were prepared from them with an extraction rate of 65%. Using a chromameter, flour color and the color of uncooked white noodle sheets made from these flours with different resting times were assessed. The cooked noodle sheet color was also assessed. While protein content initially declined with added nitrogen and increased with further nitrogen addition, brightness ( L *) of flour decreased and redness ( a *) and yellowness ( b *) increased. Positive correlation coefficients of flour brightness with particle size index (PSI) were also observed. Flour redness ( a *) and yellowness ( b *) were also affected by flour moisture content, whereas L * values were not significantly correlated with moisture contents. For the uncooked white noodle sheet, as protein content increased brightness decreased but there was an increase in a * and b * values. Thus, the L * value for noodle sheets was negatively correlated with the a * and b * values. The percentages of monomeric protein and soluble glutenin in flour were equal to or better than protein content in relation to most noodle sheet color characters. Uncooked noodle sheet brightness decreased, while redness and yellowness increased with rest time. In general, uncooked white noodle sheets prepared from different wheat flours can be ranked in terms of brightness and yellowness within each level of nitrogen fertilization.
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 ».