豌豆分离蛋白(pea protein isolate,PPI)较差的凝胶性限制了其在食品中的应用。该文探究不同pH值(10、11、12)对转谷氨酰胺酶(transglutaminase,TG)诱导和葡萄糖酸-δ-内酯(glucono-δ-lactone,GDL)酸诱导豌豆分离蛋白凝胶(TG凝胶和GDL...豌豆分离蛋白(pea protein isolate,PPI)较差的凝胶性限制了其在食品中的应用。该文探究不同pH值(10、11、12)对转谷氨酰胺酶(transglutaminase,TG)诱导和葡萄糖酸-δ-内酯(glucono-δ-lactone,GDL)酸诱导豌豆分离蛋白凝胶(TG凝胶和GDL凝胶)特性和结构的影响。结果表明,pH值偏移可显著改善TG凝胶的性质,特别是pH12偏移改性后TG凝胶的持水性可达到最大值(92.13±2.40)%,硬度可达到最大值(413.82±4.90)g;游离巯基和非网络蛋白含量分别显著降低至(2.60±0.04)μmol/g和(6.00±0.40)%。TG添加量大于50 U/g时对凝胶的持水性和非网络蛋白含量没有显著影响。相反,pH值偏移对GDL凝胶的持水性和硬度无明显的改善作用。二级结构中α-螺旋和β-折叠含量的增加以及微观结构中孔径小、表面均匀致密的凝胶网络均表明pH值偏移可以显著改善TG凝胶的性质。展开更多
数据驱动的暂态稳定评估模型是近年来的热点研究方向。深度学习技术具有高维输入空间的特征聚合能力,其引入能显著降低智能稳定评估模型设计中输入特征选择的主观性,并改善基于动态信息的评估模型预测精度。图深度学习(graph deep learn...数据驱动的暂态稳定评估模型是近年来的热点研究方向。深度学习技术具有高维输入空间的特征聚合能力,其引入能显著降低智能稳定评估模型设计中输入特征选择的主观性,并改善基于动态信息的评估模型预测精度。图深度学习(graph deep learning,GDL)框架进一步拓展了深度学习模型的拓扑学习能力,使其可以将状态特征与拓扑关系相结合,提升稳定评估模型的特征提取能力。论文分析了GDL应用于智能暂态稳定评估模型的设计框架,从图表示、图嵌入、全局聚合、训练方式4个方面探讨了暂态稳定评估应用中GDL的特征聚合性能提升方法。该文结合IEEE测试系统验证了GDL与传统深度学习模型的稳定评估性能差异以及多种性能提升方法的有效性。论文可为GDL在智能稳定评估领域的应用研究提供指导思路。展开更多
文摘豌豆分离蛋白(pea protein isolate,PPI)较差的凝胶性限制了其在食品中的应用。该文探究不同pH值(10、11、12)对转谷氨酰胺酶(transglutaminase,TG)诱导和葡萄糖酸-δ-内酯(glucono-δ-lactone,GDL)酸诱导豌豆分离蛋白凝胶(TG凝胶和GDL凝胶)特性和结构的影响。结果表明,pH值偏移可显著改善TG凝胶的性质,特别是pH12偏移改性后TG凝胶的持水性可达到最大值(92.13±2.40)%,硬度可达到最大值(413.82±4.90)g;游离巯基和非网络蛋白含量分别显著降低至(2.60±0.04)μmol/g和(6.00±0.40)%。TG添加量大于50 U/g时对凝胶的持水性和非网络蛋白含量没有显著影响。相反,pH值偏移对GDL凝胶的持水性和硬度无明显的改善作用。二级结构中α-螺旋和β-折叠含量的增加以及微观结构中孔径小、表面均匀致密的凝胶网络均表明pH值偏移可以显著改善TG凝胶的性质。
文摘数据驱动的暂态稳定评估模型是近年来的热点研究方向。深度学习技术具有高维输入空间的特征聚合能力,其引入能显著降低智能稳定评估模型设计中输入特征选择的主观性,并改善基于动态信息的评估模型预测精度。图深度学习(graph deep learning,GDL)框架进一步拓展了深度学习模型的拓扑学习能力,使其可以将状态特征与拓扑关系相结合,提升稳定评估模型的特征提取能力。论文分析了GDL应用于智能暂态稳定评估模型的设计框架,从图表示、图嵌入、全局聚合、训练方式4个方面探讨了暂态稳定评估应用中GDL的特征聚合性能提升方法。该文结合IEEE测试系统验证了GDL与传统深度学习模型的稳定评估性能差异以及多种性能提升方法的有效性。论文可为GDL在智能稳定评估领域的应用研究提供指导思路。