Optimization and Modeling of Energy Bars Based Formulations by Simplex Lattice Mixture Design
Notice bibliographique
Résumé
Simplex lattice mixture design was utilized to optimize high caloric and acceptable energy bars. Fourteen formulations of injera were produced from flour blends of high quality cassava flour (0–100%), toasted bambara groundnut (0–100%) and roasted cashew kernel(0–100%).The study was carried out to evaluate the effect of varying the proportions of the independent variables on these dependent variables (proteins, fats, carbohydrate) and general acceptability qualities of the energy bars. Proteins, Fats and Carbohydrates were indicators of the calorie values of these energy bars. Mixture response surface methodology was used to model the proteins, fats, carbohydrates and general acceptability with single, binary and ternary combinations of high quality cassava flour, toasted bambara groundnut and roasted cashew kernel flours. The effect of variation in levels of cassava, bambara groundnut and cashew kernel flours on the fats, proteins, carbohydrates and general acceptability of the formulated energy bars were adequately predicted with regression equation. The statistical adequacy of the generated polynomial equation of the responses was checked using the following indices: F-value at p0.05, coefficient of determination R2, Adj. R2, lack of fit, and coefficient of variation (CV). Optimization suggested energy bars containing 61.40 % high quality cassava flour, 0.00 % bambara groundnut flour and 38.6 % cashew kernel flour as the best proportion of these components with a desirability of 0.775. Numerical optimization indicated that better sensory and high calorific qualities are directly related with the proportion of cassava flour, bambara groundnut flour and cashew kernel flour respectively. The optimum blends as validated showed a close relationship between the predicted and experimental values.
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 ».