Application of physical field‐assisted freezing and thawing to mitigate damage to frozen food
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 is an effective technique to prolong the storage life of food. However, the freeze-thaw process also brings challenges to the quality of food, such as mechanical damage and freeze cracks. Increasingly, physical fields have been preferred as a means of assisting the freezing and thawing (F/T) processes to improve the quality of frozen food because of their high efficiency and simplicity of application. This article systematically reviews the application of high-efficiency physical field techniques in the F/T of food. These include ultrasound, microwave, radio frequency, electric fields, magnetic fields, and high pressure. The mechanisms, application effects, advantages and disadvantages of these physical fields are discussed. To better understand the role of various physical fields, the damage to food caused by the F/T process and traditional freezing is discussed. The evidence shows that the physical fields of ultrasound, electric field and high pressure have positive effects on the F/T of food. Proper application can control the size and distribution of ice crystals effectively, shorten the freezing time, and maintain the quality of food. Microwave and radio frequency exhibit positive effects on the thawing of food. Dipole rotation and ion oscillation caused by electromagnetic waves can generate heat inside the product and accelerate thawing. The effects of magnetic field on F/T are controversial. Although some physical field techniques are effective in assisting F/T of food, negative phenomena such as uneven temperature distribution and local overheating often occur at the same time. The generation of hotspots during thawing can damage the product and limit application of these techniques in industry. © 2022 Society of Chemical 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle