MétaCan
Menu
Retour à la cohorte
Enregistrement W4213280834 · doi:10.1111/1541-4337.12919

Novel synergistic freezing methods and technologies for enhanced food product quality: A critical review

2022· review· en· W4213280834 sur OpenAlexaff
Hu Rui, Min Zhang, Wenchao Liu, Arun S. Mujumdar, Baosong Bai

Notice bibliographique

RevueComprehensive Reviews in Food Science and Food Safety · 2022
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMagnetic and Electromagnetic Effects
Établissements canadiensMcGill University
Organismes subventionnairesYangzhou City Agricultural Key R and D ProgramNational Key Research and Development Program of ChinaHigher Education Discipline Innovation Project
Mots-clésFreezing pointProcess engineeringComputer scienceFood industryBiochemical engineeringEnvironmental scienceEmerging technologiesScale (ratio)NanotechnologyChemistryMaterials scienceFood scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Freezing has a long history as an effective food preservation method, but traditional freezing technologies have quality limitations, such as the potential for water loss and/or shrinkage and/or nutrient loss, etc. in the frozen products. Due to enhanced quality preservation and simpler thawing operation, synergistic technologies for freezing are emerging as the optimal methods for frozen food processing. This article comprehensively reviewed the recently developed synergistic technologies for freezing and pretreatment, for example, ultrasonication, cell alive system freezing, glass transition temperature regulation, high pressure freezing, pulsed electric field pretreatment, osmotic pretreatment, and antifreeze protein pretreatment, etc. The mechanisms and applications of these techniques are outlined briefly here. Though the application of new treatments in freezing is relatively mature, reducing the energy consumption in the application of these new technologies is a key issue for future research. It is also necessary to consider scale-up issues involved in large-scale applications as much of the research effort so far is limited to laboratory or pilot scale. For future development, intelligent freezing should be given more attention. Freezing should automatically identify and respond to different freezing conditions according to the nature of different materials to achieve more efficient freezing. PRACTICAL APPLICATION: This paper provides a reference for subsequent production and research, and analyzes the advantages and disadvantages of different novel synergistic technologies, which points out the direction for subsequent industry development and research. At the same time, it provides new ideas for the freezing industry.

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)0,001
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
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
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 Opus0,136
Tête enseignante GPT0,435
Écart entre enseignants0,299 · 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

Citations82
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComprehensive Reviews in Food Science and Food SafetyMême sujetMagnetic and Electromagnetic EffectsTravaux en français237 207