MétaCan
Menu
Retour à la cohorte
Enregistrement W3126635058 · doi:10.1016/j.ultsonch.2021.105473

Impact of thermo-sonication on quality indices of starch-based sauces

2021· article· en· W3126635058 sur OpenAlexafffund
Valentine C. Okonkwo, Ebenezer Miezah Kwofie, I. Ogan, Michael Ngadi

Notice bibliographique

RevueUltrasonics Sonochemistry · 2021
Typearticle
Langueen
DomaineNursing
ThématiqueFood composition and properties
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésSonicationStarchShear thinningRheologyFood scienceSwellingAbsorption of waterSwelling capacityMaterials scienceViscoelasticityChemistryChemical engineeringComposite materialChromatography

Résumé

récupéré en direct d'OpenAlex

In this study, ultrasonication, a physical, relatively cheap, and environmentally benign technology, was investigated to characterize its effect on functional properties of rice starch and rice starch-based sauces. Temperature-assisted ultrasound treatment improved the granular swelling power, fat and water absorption capacities, and thermal properties of rice starch, signifying its suitability in the formulation of starch-based sauces. Rheological characterization of the formulated sauces revealed a shear-thinning flow behavior, well described by the Ostwald de Waele model, while viscoelastic properties showed the existence of a weak gel. Results indicated that ultrasonication significantly enhanced the pseudoplastic behavior of starch-based sauces. Additionally, textural analysis showed that textural attributes (stickiness, stringiness, and work of adhesion) were also improved with ultrasonication. Moreover, enhanced freeze/thaw stability was also achieved with ultrasound-treated starch-based sauces. Overall, the results from this study show that ultrasound-treated starches can be used in the formulation of sauces and potentially other food products, which meets the requirements for clean label and minimally processed foods.

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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,492

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,034
Tête enseignante GPT0,335
Écart entre enseignants0,301 · 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

Citations35
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueUltrasonics SonochemistryMême sujetFood composition and propertiesTravaux en français237 207