Physical and technofunctional properties of yellow pea flour and bread crumb mixtures processed with low moisture extrusion cooking
Notice bibliographique
Résumé
The potential utilization of yellow pea flour and bread crumb blends was investigated to generate nutritionally-dense extruded products with superior physical and/or technofunctional properties. Yellow pea flour mixed with bread crumb at different ratios were processed using low-moisture twin-screw extrusion cooking conditions to examine the effect of blending ratios and feed moisture contents on physical (that is, radial expansion index, extrudate density, microstructure, texture, and color) and technofunctional (that is, emulsifying capacity, emulsifying stability, water solubility [WS], water binding capacity [WBC], oil binding capacity [OBC], and pasting) properties of the final products. Compared to the two feed materials alone, samples produced with yellow pea flour and bread crumb blends showed lower hardness and higher crispiness. Moisture content (12% to 18%) was found to significantly affect physical and technofunctional properties. With an increase in feed moisture content from 12% to 18%, the WBC of the extrudates increased while the WS decreased. Extrudates produced with higher feed moisture content, and higher yellow pea flour content had higher setback viscosity. Among all formulas and feed moisture contents studied, extrudates produced with 50% yellow pea flour and 50% bread crumb at 12% feed moisture content had the highest radial expansion and bigger cells with thinner cell walls. This study has shown that incorporation of yellow pea flour and bread crumb in extrusion cooking process could be used to develop nutritionally-dense foods with improved physical and technofunctional properties.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».