Conversion of Pulse Protein Foam-Templated Oleogels into Oleofoams for Improved Baking Application
Notice bibliographique
Résumé
The food industry has long been searching for an efficient replacement for saturated-fatty-acid-rich fats for baking applications. Although oleogels have been considered a potential alternative for saturated and trans fats, their success in food application has been poor. The present study explored the use of oleofoams obtained by whipping the pulse protein foam-templated oleogels for cake baking. Oleogels were prepared at room temperature by adding canola oil containing high-melting monoglyceride (MAG) or candelilla wax (CW) to the freeze-dried pea or faba bean protein-stabilized foams. Oleogels were then whipped to create the oleofoams; however, only the oleogels containing MAG could form oleofoams. CW-oleogel could not form any oleofoam. The most stable oleofoams with the highest overrun, stability, and storage modulus were obtained from 3% MAG+pulse protein foam-templated oleogels. The MAG plus protein foam-templated oleogels showed smaller and more packed air bubbles than MAG-only oleofoam, which was ascribed to the protein's ability to stabilize air bubbles and provide a network in the continuous oil phase to restrict air bubble movement. A novel batter preparation method for oleofoam was developed to increase air bubble incorporation. The X-ray microtomography images of the cakes showed a non-homogeneous distribution of larger air bubbles in the oleofoam cake compared to the shortening cake although their total porosity was not much different. The oleofoam cakes made with the new method yielded similar hardness and chewiness compared to the shortening cakes. By improving rheology and increasing air incorporation in the batter, high-quality cakes can be obtained with MAG-containing oleofoams made from pulse protein foam-templated oleogels.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».