Elaboration of Blends of Pitaya Pulps With Acerola
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pitaya and acerola are fruits rich in nutrients and can be used in blends formulation in order to improve the sensory characteristics of both pulps in isolation and complement each other in terms of nutritional aspects. Thus, the aim of this research was to develop different blends of pitaya pulp with acerola and choose the best formulation based on physical-chemical and colorimetric characteristics. Three blends formulations were prepared: F1-90% pitaya and 10% acerola; F2-70% pitaya and 30% acerola; and F3-50% pitaya and 50% acerola. The formulations were evaluated for physical-chemical parameters of water activity, water content, ash, total soluble solids (SST), pH, total titratable acidity (ATT), SST/ATT ratio, ascorbic acid, proteins, lipids, sugars totals, reducers and non-reducers and colorimetric analysis. The obtained data were subjected to variance analysis (ANOVA) and to comparison between means by the Tukey test at 5% probability. The formulation F1 stood out when compared to the others. The parameters pH, soluble solids, ratio SS/ATT, ash, water content, water activity, proteins, sugars, luminosity and hue angle were the ones that gave the formulation F1 the best results. However, it is noteworthy that the formulation F3 presented a greater amount of ascorbic acid and higher values of a, b and chroma in the colorimetric analysis. The use of these fruits allows to obtain an innovative product with excellent nutritional and functional characteristics. The blend is a viable alternative for the use of perishable and seasonal fruits, adding greater economic value to the very promising product to the market.
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.
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 | 0,002 |
| 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 découle