MétaCan
Menu
Retour à la cohorte
Enregistrement W2392472343

Crystallization behaviors of diacylglycerol and triacylglycerol prepared by enzymatic catalysis

2015· article· en· W2392472343 sur OpenAlexaff
Chen Qion

Notice bibliographique

RevueZhongguo youzhi · 2015
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Chemistry and Fat Analysis
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésPalm stearinCrystallizationDiacylglycerol kinaseMelting pointDifferential scanning calorimetryTransesterificationSoybean oilMonoacylglycerol lipaseGlycerideGlycerolMaterials scienceChemistryChromatographyChemical engineeringPalm oilCatalysisFatty acidOrganic chemistryBiochemistryFood scienceEnzyme
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Lipozyme RM IM was used as catalyst in the synthesis of diacylglycerol( DAG) by the transesterification of soybean oil mixed with palm stearin( melting point 45 ℃) and monoacylglycerol( MAG,prepared by soybean oil,palm stearin and glycerol),and in the synthesis of triacylglycerol( TAG) by the transesterification of soybean oil and palm stearin. Crystallization and melting behaviors of the DAG,TAG and TAG added with different proportions( 10%,30%,50% and 70%) of DAG were determined by differential scanning calorimetry( DSC),pulsed- nuclear magnetic resonance( p NMR) and polarized microscopy. The results showed that with similar fatty acid compositions,the initial crystallization temperature( 28. 14 ℃) and melting point( 48. 26 ℃) of DAG was higher than the initial crystallization temperature( 8. 51 ℃) and melting point( 30. 58 ℃) of TAG. By adding 50% and 70% of DAG,the melting point and initial crystallization temperature of TAG increased. In comparison,adding 10% and 30% of DAG had less impact on the crystallization of TAG. The solid fat content of the mixture gradually improved with the increase of addition proportion of DAG. Acicular crystals in the mixtures added with 50% and 70% of DAG were found near melting points.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,025
Score d'incertitude au seuil0,263

Scores Codex et Gemma par catégorie

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)0,0000,000

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 Opus0,015
Tête enseignante GPT0,207
Écart entre enseignants0,192 · 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 tête enseignante, 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

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZhongguo youzhiMême sujetFood Chemistry and Fat AnalysisTravaux en français237 207