Effect of protein type, concentration and oil droplet size on the formation of repulsively jammed elastic nanoemulsion gels
Notice bibliographique
Résumé
Rheology of sodium caseinate (SC) and whey protein isolate (WPI)-stabilized nanoemulsions (NEs) was investigated as a function of protein (1-5 wt%) and oil (30 and 40 wt%) concentration and storage time. For SC NEs, gel strength increased with an increase in protein and oil concentration and a decrease in droplet size and below a critical size transformed into a strong elastic gel that did not flow under gravity. Surprisingly, WPI NEs, although stable and had similar droplet size to SC NEs, did not form elastic gels. The stability of the NEs was studied for 3 months, and no significant change was observed. Considerable higher storage modulus (G') of SC NEs compared to WPI NEs was attributed to an increased effective droplet volume fraction (φeff) due to a thicker steric barrier of SC compared to WPI. The DLVO interdroplet potential was used to calculate the thickness of the charge cloud at an overall repulsive interaction of 1 kBT, which was added to the steric barrier to calculate the effective droplet size and φeff. At the highest φeff (0.79) for 5% SC NEs with 40% oil, the nanodroplets and associated repulsive barrier randomly jammed, leading to the formation of a strong elastic gel. For WPI NEs, maximum φeff was 0.57, leading to a lack of jamming and viscous fluid-like behaviour. Re-plotting G' with φeff for SC NEs with different protein concentration showed a linear trend followed by a rapid increase in G' at a critical φeff, confirming the transition from weak glassy region to strong randomly jammed structure. SC-stabilized repulsively jammed NE-gels could be used as a novel soft material where a lower oil volume fraction and long-term stability is required.
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 ».