Towards Sustainable Protein Sources: The Thermal and Rheological Properties of Alternative Proteins
Notice bibliographique
Résumé
Reducing meat consumption reduces carbon emissions and other environmental harms. Unfortunately, commercial plant-based meat substitutes have not seen widespread adoption. In order to enable more flexible processing methods, this paper analyzes the characteristics of commercially available spirulina, soy, pea, and brown rice protein isolates to provide data for nonmeat protein processing that can lead to cost reductions. The thermal and rheological properties, as well as viscosity, density, and particle size distribution, were analyzed for further study into alternative protein-based food processing. The differential scanning calorimetry analysis produced dry amorphous-shaped curves and paste curves with a more distinct endothermic peak. The extracted linear temperature ranges for processing within food production were 70-90 °C for spirulina, 87-116 °C for soy protein, 67-77 °C for pea protein, and 87-97 °C for brown rice protein. The viscosity analysis determined that 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 15,100-78,000 cP, 3200-80,000 cP for soy protein, 1400-32,700 cP for pea protein, and 600-3500 cP for brown rice protein. The results indicate that extrusion is a viable method for the further processing of protein isolates, as this technique has a large temperature operating range and variable screw speed. The 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 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 ».