Printability and Thermophysical Properties of Three-Dimensional-Printed Food Based on “Cochayuyo” Durvillaea antarctica Seaweed Flour
Notice bibliographique
Résumé
This research assessed the feasibility of adding Cochayuyo seaweed flour (at 30, 50, and 70% levels) to rice flour-based paste to improve its 3D printing quality. The paste’s rheological properties, printing quality, texture profile, thermal properties, and color of 3D-printed foods were explored. Results showed that pastes with Cochayuyo addition exhibited shear-thinning behavior, and viscosity increased with increased Cochayuyo concentration. Viscoelastic properties and a Texture Profile Analysis (TPA) revealed that Cochayuyo improved mechanical strength and made the paste easier to flow, improving printed food’s extrudability, fidelity, and shape retention, which was better observed in RC50 and RC70 printed at 15 mm s−1. A differential scanning calorimetry (DSC) analysis showed a partial substitution of rice flour for Cochayuyo flour in the formulation. This increased the onset and melting peak temperatures and reduced the enthalpy of fusion. CIE color parameters a*, b*, and L* showed that Cochayuyo addition increased the color to yellow and red; however, lightness was considerably reduced. Therefore, Cochayuyo flour could have the potential to be used for the manufacture improvement of 3D-printed food with better rheological, mechanical, thermal, printing quality, and nutritional properties, making possible the exploitation of the native Cochayuyo seaweed, which is highly available in Chile.
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 | 0,000 | 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 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 ».