Using low-field nuclear magnetic resonance to investigate the effect of composition, mechanical treatments, and storage on the stability of emulsions
Notice bibliographique
Résumé
This study investigates the application of low-field nuclear magnetic resonance (LF-NMR) to evaluate emulsion stability, focusing on formulation, mechanical treatments, and storage. The results showed that Emulsion 2 (water: 72.73 %, oil: 18.18 %, and egg yolk: 9.09 %) showed 4.68 % decrease in the longest peak relaxation time (T 24 ) and 14.58 % reduction in T 24 peak ratio than Emulsion 1 (water: 85.71 %, oil: 9.52 %, and egg yolk: 4.76 %). Mechanical treatments (high-speed mixing and high-pressure homogenization) increased T 24 peak area ratio (>64 %) due to particle size reduction (<200 μm) and enhanced stability. Conversely, centrifuging the mechanically treated samples increased T 24 peak ratio (Emulsion 1: 61.95 %, Emulsion 2: 21.88 %), indicating phase separation. After one day of storage, single-component relaxation time (T 2w ) doubled, reflecting weaker hydrogen bonding. A peak ratio's relationship with storage time (R 2 > 0.99) was developed to predict emulsion stability. This study demonstrates LF-NMR's potential for predicting phase behavior and optimizing emulsion formulations and processing technologies. • LF-NMR revealed interactions, mobility, and stability in liquid systems. • T 2 revealed proton mobility, interactions, and water/lipid states in the systems. • T 2w raise showed weaker binding forces and higher mobility in the aqueous phase. • LF-NMR detected phase separation affected by formulation, treatments, and storage. • LF-NMR is a fast, non-destructive tool for predicting phase behavior and optimizing processes.
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 ».