Tripalmitin‐Driven Crystallization of Palm Oil: The Role of Shear and Dispersed Particles
Notice bibliographique
Résumé
Abstract While palm oil (PO) is a reliable ingredient in formulations for biscuits, cream fillings, and compound chocolates, our understanding of its crystallization behavior and physico‐chemistry pales in comparison to many other fats and oils. Phase diagrams of triacylglycerol (TAG) mixtures may be used to elucidate fat crystal polymorphism and composition of such oils, yet conditions important to the food industry such as shear speed, relevant processing temperatures, and presence of secondary ingredients are regularly overlooked. Here, the effects of shear speed ( n = 0–500 RPM), dispersion concentration (0–5 wt.%), and dispersed particle surface chemistry [silica or octadecyl‐functionalized (C18) silica] on the thermal properties of commercial PO when cooled from 60 to 20 °C at 1 °C min −1 were explored, with focus placed on PO's higher‐melting fraction. Using a series of high‐purity TAG standards, X‐ray diffraction revealed PO's higher‐melting fraction as mainly composed of tripalmitin (PPP) crystals and molecular compounds (MC) of PPP either with 1,3‐dipalmitoyl‐2‐oleoyl‐ sn ‐glycerol (POP) or with POP and 1,2‐dipalmitoyl‐3‐oleoyl‐ rac ‐glycerol (PPO) in combination, all in a double chain‐length β' (i.e., β'‐2) conformation. Shear increased the formation of lower‐melting α‐2 POP and β'‐2 MC POP:PPO:PPP crystals while depleting the system of β'‐2 MC POP:PPP and β'‐2 PPP crystals. This loss was further exacerbated by the addition of dispersed particles to the point where PPP was completely incorporated as MC and β'‐2 PPP crystals were eliminated. While heterogeneous nucleation tends to favor kinetic products of fat crystallization, the interactions between shear and surface chemistry varied between crystal types.
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 ».