Curbing thermo‐oxidative degradation of frying oils: Current knowledge and challenges
Notice bibliographique
Résumé
Deep fat frying is an ancient process with a lot of open questions. This deceptively simple food preparation technique is immensely complicated by the stringent conditions applied during the process, coupled with the inherent lability of the frying medium and the unavoidable meddling from the food materials and other minor components. The various factors affecting frying stability and performance of oil can be broadly categorized into two groups: (1) The external factors, which include frying temperature, frying time, presence of oxygen, and type of fryers, among others, are factors that can be manipulated by the frying operators; (2) the internal or endogenous factors are oil‐specific and include fatty acid composition and their distribution on triacylglycerols, and the amounts and composition of the minor components. Limiting thermo‐oxidative degradation and consequently extending the useful life of frying oils often involves deliberate optimization and control of some of these factors. Available techniques for curbing thermo‐oxidative decomposition of frying oils and the inherent challenges are discussed. Practical applications: This review provides updates to our current knowledge of the salient factors affecting frying performance of oils/fats and specifically highlights both the opportunities for optimization and the accompanying daunting challenges. With this information, institutional frying operators can practically extend the discard point of their frying oils and deliver healthier fried products, while ensuring the safety of the frying facility and the technicians. A trigonal bipyramid model showing the three basic optimizable parameters of frying. The base (striped) represents the optimized region for highest stability of the frying oil and the best quality fried product (operator's target). Higher values (bold lines) tapers off stability while lower values (dotted lines) decrease food quality.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».