Novel synergistic freezing methods and technologies for enhanced food product quality: A critical review
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
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.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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