Effects of extrusion screw speed, feed moisture content, and barrel temperature on the physical, techno‐functional, and microstructural quality of texturized lentil protein
Notice bibliographique
Résumé
Utilizing lentil protein as a novel ingredient for producing texturized vegetable proteins (TVPs) can provide new opportunities for the production of next-generation hybrid meat products. TVPs from lentil protein isolate were manufactured using low-moisture extrusion cooking at different combinations of screw speed (SS), feed moisture content (MC), and barrel temperature (BT) profile. In total, seven different combinations of processing treatments were tested, and the resulting TVPs were characterized for their physical (rehydration ratio, texture profile analysis, color, and bulk density), techno-functional (oil and water holding capacities), and microstructural properties. The processing conditions of higher SS and lower MC resulted in increased values of several textural profile attributes (springiness, cohesiveness, and resilience), increased water holding capacity (WHC), and decreased bulk density. Compared to raw lentil protein, TVPs showed enhanced oil holding capacity, though WHC either decreased or remained constant. The extrusion response parameters (die pressure, torque, and specific mechanical energy) showed positive correlations with several physical properties (texture, WHC, and total color change), revealing their potential for serving as important TVP quality indicators. TVPs produced at SS, MC, and BT of 450 rpm, 30%, and 140°C, respectively, showed relatively better overall physical and techno-functional quality and can be used as meat extenders in hybrid meat patties. Overall, this research evidenced the viability of lentil protein as a potential ingredient for producing low-moisture TVPs.
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 | 0,001 |
| 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 ».