MétaCan
Menu
Retour à la cohorte
Enregistrement W4416411238 · doi:10.1016/j.fochx.2025.103300

A homogeneity evaluation method of food soft matter based on moisture content test by casting-near-infrared spectroscopy

2025· article· en· W4416411238 sur OpenAlexaff
Qian Zhang, Sicong Yan, Man Xiao, Lingyun Chen, Fatang Jiang

Notice bibliographique

RevueFood Chemistry X · 2025
Typearticle
Langueen
DomaineChemistry
ThématiqueSpectroscopy and Chemometric Analyses
Établissements canadiensUniversity of Alberta
Organismes subventionnairesChina Scholarship CouncilNatural Science Foundation of Hubei ProvinceNatural Science Foundation of Xiaogan CityNational Natural Science Foundation of China
Mots-clésHomogeneity (statistics)Partial least squares regressionPrincipal component analysisAnalytical Chemistry (journal)SpectroscopySoft matterCompatibility (geochemistry)Reflectivity

Résumé

récupéré en direct d'OpenAlex

Quantitative evaluation of polymer dispersion homogeneity is crucial for understanding the physicochemical behavior of food soft matter and ensuring processing stability. In this study, a horizontal casting device integrated with a near-infrared (NIR) spectrometer was developed to obtain spatially resolved reflectance spectra during casting. Characteristic absorption bands at 1180 and 1260 nm were identified as moisture-sensitive indicators of structural evolution. Partial least squares (PLS) and principal component analysis (PCA) were employed to construct predictive models for moisture-related spectral responses and to evaluate homogeneity across radial positions. PLS consistently outperformed PCA, yielding higher predictive accuracy ( R 2 > 0.85) and lower error (<2%). These findings demonstrate that NIR-based spectral mapping enables real-time characterization of hydration uniformity and compatibility within soft matter dispersions. This approach offers practical value for process monitoring, formulation optimization, and quality control in hydrocolloid-based food manufacturing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,212
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,301
Écart entre enseignants0,275 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFood Chemistry XMême sujetSpectroscopy and Chemometric AnalysesTravaux en français237 207