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 machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».