Mathematical modeling for thermally treated vacuum-packaged foods: A review on sous vide processing
Notice bibliographique
Résumé
Consumer dietary awareness drives a need for minimally processed foods with quality sensory and nutritional attributes and extended shelf life. Sous vide cooking techniques are a viable technology for meeting these consumer demands. Sous vide is the process of cooking vacuum-sealed foods in plastic pouches at low temperatures, generally 55–60 °C, for an extended period under strictly controlled conditions. Despite the high-quality, nutritional, and sensory benefits of sous vide cooking, the use of temperatures significantly lower than typical cooking raises microbiological/safety issues for customers. This review aims to highlight the numerous mathematical approaches used in modeling the quality and microbial safety of sous vide processed foods, as well as the effects of sous vide processing on texture, physiochemical, and nutritional quality. Sous vide processing has been mathematically modeled in a variety of ways, ranging from totally kinetic or empirical to completely physics-based approaches. The emerging picture from this review suggests that mathematical modeling of SV processing has been approached in several ways, from completely kinetic or empirical to completely physics-based approaches to improve sous vide processing technologies in the future. A more general modeling approach, real-time quality evaluation during sous vide processing, and hurdle technology in sous vide are all future areas to investigate in the application of mathematical modeling to improve sous vide processing. There is potential for future applications of mathematical modeling in SV processing to optimize the overall process conditions and the cooking methods for different types of foods and sizes.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».