Enhancing the sensory properties and consumer acceptance of warm climate red wine through blending
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
Proline has recently been found to direct several sensory attributes in red wine, including viscosity, fruit flavour and sweetness. We sought to investigate whether a red wine, deemed ‘flavour deficient’ by a producer, from a warm inland region could be improved by blending with a high proline wine from the same region, compared to a high colour and flavour wine, linking consumer acceptance with sensory properties and chemical composition. Three dry red wines (two Cabernet-Sauvignon wines from a warm region and one Lagrein wine from a cooler region) were blended in a constrained mixture design. Several blends were uncovered with improved sensory properties and consumer liking scores. Increased liking scores were related to heightened perceived Viscosity (unrelated to physical viscosity), Sweetness and Berry flavours, connected to proline-rich wines with small proportions of Lagrein. PLS-R models relating blend chemical composition, sensory properties and consumer acceptance associated Astringency and Bitterness to polyphenolics and organic acids and lower liking scores. Vegetal and Leather aromas in blends also reduced consumer acceptance and were related to the concentration of the thiols 3SH, 3SHA, PMT, 2FMT and MeSH, as well as guaiacol and isobutyl methoxypyrazine. Multiple blends successfully improved consumer acceptance of the ‘flavour deficient’ wine, particularly those with an increased proportion of the proline-rich wine. Non-linear effects resulting from blending were also assessed, with most variables modelled best by linear averaging. This study demonstrates the practical application of a design of experiment approach using sensory properties, proline and polyphenolic concentrations to guide wine blending and improve wine flavour and acceptability.
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 | 0,000 |
| 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 découle