MétaCan
Menu
Retour à la cohorte
Enregistrement W3118235106 · doi:10.3389/fsufs.2020.566445

Water-in-Oleogel Emulsions—From Structure Design to Functionality

2021· article· en· W3118235106 sur OpenAlexafffund
Khakhanang Wijarnprecha, Auke de Vries, Sopark Sonwai, Dérick Rousseau

Notice bibliographique

RevueFrontiers in Sustainable Food Systems · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Chemistry and Fat Analysis
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésRheologyEmulsionChemical engineeringMaterials scienceDispersion (optics)Phase (matter)Aqueous solutionAqueous two-phase systemAdsorptionFiller (materials)NanotechnologyChemistryComposite materialOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The development of water-in-oleogel (W/Og) emulsions is highlighted, with focus placed on the key properties dictating the structuring ability of both the continuous oleogelled and dispersed phases present. The gelling ability of oleogelators is distinguished by the formation of crystalline structures, polymeric strands, or tubules. Once a dispersed aqueous phase is introduced, droplet stabilization may occur via oleogelator adsorption onto the surface of the dispersed droplets, the formation of a continuous gel network, or a combination of both. Surface-active species (added or endogenous) are also required for effective W/Og aqueous phase dispersion and stabilization. Processing conditions, namely temperature-time-shear regimes, are also discussed given their important role on dispersed droplet and oleogel network formation. The effects of many factors on W/Og emulsion formation, rheology, and stability remain virtually unknown, particularly the role of dispersed droplet size, gelation, and clustering as well as the applicability of the active filler concept to foods. This review explores some of these factors and briefly mentions possible applications of W/Og emulsions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,302
Score d'incertitude au seuil0,328

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,195
Écart entre enseignants0,181 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in Sustainable Food SystemsMême sujetFood Chemistry and Fat AnalysisTravaux en français237 207