Flour Particle Size, Starch Damage, and Alkali Reagent: Impact on Uniaxial Stress Relaxation Parameters of Yellow Alkaline Noodles
Notice bibliographique
Résumé
ABSTRACT Three patent flours, each possessing three different levels of starch damage were prepared from a single hard white spring wheat. Each flour was sieved to yield three flours with different particle size distributions (85–110, 110–132, 132–183 μm). Raw alkaline noodles were prepared from the nine flours using either 1% w/w kansui (sodium and potassium carbonates in 9:1 ratio) or 1% w/w sodium hydroxide. Uniaxial stress relaxation parameters percent stress relaxation (SR%), initial rate of relaxation ( k 1 ) and the extent of relaxation ( k 2 ) were measured on the raw noodles immediately after production ( t = 0 min) and at 60 min. Raw noodles after resting for 60 min were optimally cooked and stress relaxation parameters were measured. Raw noodles at t = 0 min exhibited SR%, k 1 , and k 2 that were significantly ( P < 0.0001) influenced by both the degree of starch damage and the type of alkaline reagent used. Flour particle size only influenced SR% and k 1 ( P < 0.025) but had no impact on k 2 . In raw noodles aged for 60 min, both SR% and k 2 were significantly influenced by alkaline reagent, particle size, and starch damage ( P < 0.01) while k 1 was only affected by the degree of starch damage ( P < 0.0001). Cooked noodle SR parameters were all significantly ( P < 0.0001) influenced by alkaline reagent, particle size, and the degree of starch damage. Cooked noodles prepared from starch with low damaged flours within any given particle size range, regardless of the type of alkali employed, yielded the most rheologically elastic‐like (firmer) noodles. Two potential mechanisms by which the degree of starch damage influences noodle elastic like texture are discussed.
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 ».