Impact of Cooking Conditions on Proximate Composition and Textural Properties of Chicken Breast Meat
Notice bibliographique
Résumé
The aim of this study was to evaluate the impact of cooking conditions on the proximate composition and textural properties (cohesiveness and chewiness) of chicken breast meat. Eight packs of industrial skinless chicken breast meat were cooked by air frying (AF), baking (BK), deep fat frying (DF) and grilling (GR) at 170, 180 and 190oC for 0, 4, 8, 12 and 16 min. The chicken breast packs were frozen and sliced into dimensions, thawed, cooked and analysed by a two way analysis of variance. The results revealed that cooking methods significantly (p < 0.05) decreased moisture and protein contents from 75.14 to 58.25% and 89.17 to 82.98%, but increased fat content from 4.26 to 7.78%, ash content from 1.95 to 2.39%, carbohydrate content from 4.63 to 6.95%, cohesiveness content from 0.40 to 0.52 and chewiness value from 3.63 to 6.05 kg. An increases in cooking temperatures and times decreased moisture content from 60.58 to % 56.34% and 75.14 to 47.40% and protein content from 83.77 to 82.11% and 89.17 to 79.45%. Similarly, increases in cooking temperatures and times significantly (p < 0.05) increased fat content from 7.00 to 8.44% and 4.26 to 10.12%, ash content from 2.15% to 2.59% and 1.95 to 2.67%. This study showed that increases in cooking temperatures decreased non-significantly (p > 0.05) carbohydrate content from 7.02 to 6.92%, but increases in cooking times increased carbohydrate content from 4.63 to 7.76%. An increases in cooking temperatures and times increased cohesiveness content from 0.50 to 0.54 and 0.40 to 0.63, chewiness value from 5.50 to 6.77 kg and 3.63 to 8.54 kg, respectively. There were no significant differences (p > 0.05) in chewiness values of samples cooked by AF and GR methods. The best cooking method/ temperature / time for low nutrient losses was BK, 170oC and 4 min.
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 | 0,001 | 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 ».