Use of response surface methodology (RSM) for composite blends of low grade broken rice fractions and full-fat soybean flour by a twin-screw extrusion cooking process
Notice bibliographique
Résumé
In this study, seventeen (17) composite blends of broken rice fractions and full-fat soybean, formulated using response surface methodology and central composite design within a range of barrel temperatures (100-140oC), initial feed moisture content (15-25%) and soybean composition (8-24%), were extruded with a twin-screw extruder and the expansion and color indices were optimized. The results indicated a significant (p<0.05) effect of extrusion conditions on the responses. Fitted predictive models had coefficients of 88.9%, 95.7%, 97.3%, 95.4% and 95.2%, respectively, for expansion index, bulk density, lightness, redness and yellowness. The p-value and lack-of-fit tests of the models could well explain the observed variability and therefore could be used to establish production setting for the twin-screw extruder. The optimum extrusion conditions were found to be 130 oC (barrel temperature), 20% (feed moisture level) and 23% feed soybean composition and optimum responses in terms of bulk density, expansion index, lightness, redness and yellowness chroma indices were 0.21 g cm−3 , 128.9%, 17.1, 3.13 and 24.5, respectively. This indicates that optimum conditions can be established in twinscrew extrusion cooking of broken rice fractions and full-fat soybean composite blends that can result in product of low bulk and maximum expansion with a satisfactory light yellow product color that can be used to produce products that valorize broken rice and reduce qualitative postharvest loss.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».