MétaCan
Menu
Retour à la cohorte
Enregistrement W3136347611 · doi:10.3390/app11062507

Ohmic Heating in the Food Industry: Developments in Concepts and Applications during 2013–2020

2021· article· en· W3136347611 sur OpenAlexafffund
Zina T. Alkanan, Ammar B. Altemimi, Asaad R. Al‐Hilphy, Dennis G. Watson, Anubhav Pratap‐Singh

Notice bibliographique

RevueApplied Sciences · 2021
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicrobial Inactivation Methods
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésJoule heatingPasteurizationFood scienceOhmic contactElectric heatingRoastingSterilization (economics)Food productsMaterials scienceFood industryNanotechnologyChemistryMetallurgyBusinessComposite material

Résumé

récupéré en direct d'OpenAlex

Various technologies have been evaluated as alternatives to conventional heating for pasteurization and sterilization of foods. Ohmic heating of food products, achieved by passage of an alternating current through food, has emerged as a potential technology with comparable performance and several advantages. Ohmic heating works faster and consumes less energy compared to conventional heating. Key characteristics of ohmic heating are homogeneity of heating, shorter heating time, low energy consumption, and improved product quality and food safety. Energy consumption of ohmic heating was measured as 4.6–5.3 times lower than traditional heating. Many food processes, including pasteurization, roasting, boiling, cooking, drying, sterilization, peeling, microbiological inhibition, and recovery of polyphenol and antioxidants have employed ohmic heating. Herein, we review the theoretical basis for ohmic treatment of food and the interaction of ohmic technology with food ingredients. Recent work in the last seven years on the effect of ohmic heating on food sensory properties, bioactive compound levels, microbial inactivation, and physico-chemical changes are summarized as a convenient reference for researchers and food scientists and engineers.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,026
Tête enseignante GPT0,325
Écart entre enseignants0,298 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations116
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetMicrobial Inactivation MethodsTravaux en français237 207