MétaCan
Menu
Retour à la cohorte
Enregistrement W4293236548 · doi:10.5539/jfr.v11n2p69

Influence of Refining and Conching Systems on Rheological and Sensory Properties of Chocolate

2022· article· en· W4293236548 sur OpenAlexvenueno aff
Paulo Túlio de Souza Silveira, Arali Cunha Aguiar Pedroso, Caetano Pedroso Muniz, Nello Cristianini, Priscilla Efraim

Notice bibliographique

RevueJournal of Food Research · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Chemistry and Fat Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRefining (metallurgy)Titratable acidRheologyFlavorParticle sizeProcess engineeringMaterials scienceChemistryFood scienceMetallurgyEngineeringComposite material

Résumé

récupéré en direct d'OpenAlex

There are different refining systems on the market and knowing the differences between these systems can help choose equipment according to the needs of each chocolate manufacturer. This work aimed to evaluate different technologies for the chocolate refining stage and evaluate the impacts on the physical, chemical and sensory characteristics of the chocolates produced. We evaluated the following refining systems: System 1: Double refining; System 2: Refining in ball mill; System 3: Refining in ball mill and BLC conching; System 4: Refining and conching in refining conche; System 5: Refining and conching in stone mill – melanger; System 6: Simple refining. All of these refining systems were evaluated for pH, total titratable acidity, moisture, maximum particle size, particle size distribution, rheology, and sensory characteristics. The refining and conching system resulted in considerable changes in the evaluation of features such as total titratable acidity, moisture, maximum particle size, particle size distribution, and rheological properties. In the sensory evaluation, attributes such as aroma, hardness, melting, and color did not show significant differences. On the other hand, we observed significant differences in attributes such as overall impression, flavor, grittiness, and acidity. It was possible to conclude that the combination of refining systems with homogenizing conche can be favorable for obtaining chocolates due to greater fluidity and better results in sensory evaluation.

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)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,116
Tête enseignante GPT0,294
Écart entre enseignants0,178 · 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'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

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Food ResearchMême sujetFood Chemistry and Fat AnalysisTravaux en français237 207