MétaCan
Menu
Retour à la cohorte
Enregistrement W4389195462 · doi:10.1016/j.ifset.2023.103528

Insight into the mechanism of pressure shift freezing on water mobility, microstructure, and rheological properties of grass carp surimi gel

2023· article· en· W4389195462 sur OpenAlexaff
Sinan Zhang, Maninder Meenu, Ting Xiao, Lihui Hu, Junde Ren, Hosahalli S. Ramaswamy, Yong Yu

Notice bibliographique

RevueInnovative Food Science & Emerging Technologies · 2023
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMeat and Animal Product Quality
Établissements canadiensMcGill University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésSilver carpIce crystalsRheologyFood scienceGrass carpEconomic shortageChemical engineeringMaterials scienceChemistryFish <Actinopterygii>FisheryComposite material

Résumé

récupéré en direct d'OpenAlex

This study found that using pressure shift freezing (PSF) treatment could suppress the decline in the quality of grass carp surimi gel during the conventional air freezing (CAF) process, and even improve the original properties of surimi gel. The surimi gel breaking force was about 2.5 times followed by PSF treatment (4.5 N) compared to the CAF group (1.8 N). The formation of small ice crystals in the PSF group reduced the mechanical damage to the sample structure compared to the large ice crystals formed in CAF groups. In addition, PSF treatment was found to be responsible for the change in protein and water mobility in surimi gel, which in turn positively influences the physicochemical properties of surimi gel. Industrial relevance The output of this study revealed the significance of PSF technology in the surimi gel processing and meat processing industry. The development of new products and the use of new resources are very important in addressing the global food crisis and resource shortages. The application of PSF technology has also laid a foundation for freshwater surimi gel products to replace seawater surimi gel products.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,260
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInnovative Food Science & Emerging TechnologiesMême sujetMeat and Animal Product QualityTravaux en français237 207