MétaCan
Menu
Retour à la cohorte
Enregistrement W4207084430 · doi:10.5539/jfr.v11n1p38

Effects of Extrusion Processing on the Proximate Compositions of Aerial Yam (Dioscorea bulbifera)-soybean (Glycine max) Flour Blends Using Response Surface Methodology

2022· article· en· W4207084430 sur OpenAlexvenueno aff
Enobong Okon Umoh, Madu Ofo Iwe

Notice bibliographique

RevueJournal of Food Research · 2022
Typearticle
Langueen
DomaineNursing
ThématiqueFood composition and properties
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésExtrusionResponse surface methodologyBarrel (horology)MoistureWater contentPlastics extrusionProximateGlycineMaterials scienceFood scienceChemistryComposite materialChromatographyBiochemistryAmino acid

Résumé

récupéré en direct d'OpenAlex

The impact of extrusion process parameters on the proximate compositions of aerial yam (Dioscorea bulbifera)-soybean (Glycine max) flour blends was investigated with the help of a laboratory scale single-screw extruder, and the flour blending ratio of 25% aerial yam: 75% soybean. Response surface methodology based on Box-Behken design at three factors, five levels of barrel temperature (95, 100, 105, 110, and115℃ ), screw speed (85, 100, 115, 130, and145rpm) and feed moisture (31, 33, 35, 37, and 39%) were used in 20 runs. Adequate and significant (p< 0.05) regression models describing the effects of process parameters on the product quality attributes with high regression coefficient, R2≥  0.9 were obtained, showing that the models can be used to navigate the design space. Results obtained showed that the proximate compositions ranged between 4.03± 0.002 and 5.90± 0.002% ash; 3.10± 0.001 and 7.02± 0.003% moisture content; 2.70± 0.001 and 4.67± 0.003% fibre; 24.57± 0.078 and 36.79± 0.004% protein; 11.39± 0.004 and 35.35± 0.011% lipid. The best extrusion condition combinations were 1150C barrel temperature, 115rpm screw speed and 35% feed moisture for ash content; 1000C barrel temperature, 130rpm screw speed and 33% feed moisture for moisture content; 1150C barrel temperature, 115rpm screw speed and 35% feed moisture for fibre content; 1050C barrel temperature, 145rpm screw speed and 35% feed moisture for protein content; 1050C barrel temperature, 85rpm screw speed and 35% feed moisture for lipids. Analysis of variance showed that only barrel temperature affected the ash composition significantly (p< 0.05). Barrel temperature, screw speed and feed moisture showed insignificant (p> 0.05) effect on moisture content, while fibre content was significantly (p< 0.05) affected by barrel temperature and screw speed. Protein and crude fat (lipid) contents were significantly (p< 0.05) affected by barrel temperature, screw speed and feed moisture.

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)0,008
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,061
Score d'incertitude au seuil0,713

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,185
Tête enseignante GPT0,405
Écart entre enseignants0,220 · 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

Citations11
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Food ResearchMême sujetFood composition and propertiesTravaux en français237 207