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
<p>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.</p>
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 | 0,001 | 0,001 |
| 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 ».