Towards Sustainable Protein Sources: Thermal and Rheological Properties of Alternative Proteins
Notice bibliographique
Résumé
Reducing meat consumption is better for the environment. Unfortunately, commercial plant-based meat substitutes are often more expensive than meat and thus have not seen widespread adoption. This paper analyzes commercially-available spirulina, soy, pea, and brown rice protein isolates characteristics to provide data for non-meat protein cost reductions. Thermal and rheological properties, viscosity, density, and particle size distribution are analyzed for further study on alternative protein-based food processing. Differential scanning calorimetry analysis produced dry amorphous-shaped curves and paste curves with a more distinct endothermic peak. Extracted linear temperature ranges for processing in food production for spirulina was 70-90ºC; soy protein was 87-116ºC; pea protein was 67-77ºC; and brown rice protein was 87-97ºC. Viscosity analysis determined each protein material was shear-thinning and that viscosity increased with decreased water concentration, with rice being an exception to the latter trend. The obtained viscosity range for spirulina was 15,100-78,000cP; soy protein was 3,200-80,000cP; pea protein was 1,400-32,700cP; and brown rice protein was 600-3,500cP. The results indicate that extrusion is a viable method for further processing of the protein isolates as this technique has a large temperature operating range and variable screw speed. Data provided here can be used to make single or multi-component protein substitutes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».