Three-Dimensional Printing Parameter Optimization for Salmon Gelatin Gels Using Artificial Neural Networks and Response Surface Methodology: Influence on Physicochemical and Digestibility Properties
Notice bibliographique
Résumé
This study aimed to optimize the 3D printing parameters of salmon gelatin gels (SGG) using artificial neural networks with the genetic algorithm (ANN-GA) and response surface methodology (RSM). In addition, the influence of the optimal parameters obtained using the two different methodologies was evaluated for the physicochemical and digestibility properties of the printed SGG (PSGG). The ANN-GA had a better fit (R2 = 99.98%) with the experimental conditions of the 3D printing process than the RSM (R2 = 93.99%). The extrusion speed was the most influential parameter according to both methodologies. The optimal values of the printing parameters for the SGG were 0.70 mm for the nozzle diameter, 0.5 mm for the nozzle height, and 24 mm/s for the extrusion speed. Gel thermal properties showed that the optimal 3D printing conditions affected denaturation temperature and enthalpy, improving digestibility from 46.93% (SGG) to 51.52% (PSGG). The secondary gel structures showed that the β-turn structure was the most resistant to enzymatic hydrolysis, while the intermolecular β-sheet was the most labile. This study validated two optimization methodologies to achieve optimal 3D printing parameters of salmon gelatin gels, with improved physicochemical and digestibility properties for use as transporters to incorporate high value nutrients to the body.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».