• 粘弹性固体切削过程的有限元建模数值研究：从二维到三维及其异质性分析

  •开发并验证了一种用于食品切割的三维有限元模型。•与二维模型相比，三维建模将切割力预测精度提高了15%。•材料非均匀性使峰值切割力增加了8–15%。•切割力在速度达到500 mm/min时表现出速率相关的增大趋势。•内聚力区模型能有效模拟切割过程中的裂纹扩展。引言切割是将食品

  来源：Journal of Food Engineering

  时间：2026-10-11

• 采用化学反应工程方法对蛋白质稳定的水包油乳液中脂质消化进行建模：传质、界面反应和液滴粒径演变的作用

  •非均相动力学模型将界面反应与传质耦合。 •无需参数拟合即可预测脂质生物可及性。 •通过建模和半动态体外消化捕获胃动力效应。 •模型预测优于传统一级动力学模型。 •界面反应动力学主导于传质阻力。 引言 胃肠道（GIT）是一个复杂的生理系统，由相互连接的隔室组成，在动态的机械

  来源：Journal of Food Engineering

  时间：2026-10-11

• 基于乳脂肪球膜和海藻酸钠构建水凝胶珠以增强益生菌递送

  •表征了MFGM与SA之间的协同相互作用。•将MFGM和SA复合物制备为保护性基质。•MFGM-SA水凝胶微珠显著提高了益生菌在肠道中的存活率。•MFGM-SA水凝胶微珠改善了益生菌的储存稳定性。引言尽管益生菌在功能性食品中具有广泛的应用潜力，但其活性在加工、储存及胃肠道转运

  来源：Journal of Food Engineering

  时间：2026-10-11

• 天然低共熔溶剂氢键网络的变化及其对淀粉冻融性能的调控机制

  •天然低共熔溶剂可有效降低冰点温度。•不同的组成成分影响氢键的排列。•天然低共熔溶剂增强了冻融淀粉的持水力。引言随着食品冷链系统的完善和消费者需求的增加，冷冻技术已成为保障食品供应和安全的关键策略 (Suzuki, 2016)。磷酸盐类防冻剂显著提高了水产品的持水能力，大幅减

  来源：Journal of Food Engineering

  时间：2026-10-11

• 从酿醋原料到干燥保护剂：膨化高粱水解物通过增强多酚释放提高巴氏醋酸菌的干燥存活率

  •PSH提高了Acetobacter pasteurianus（巴氏醋杆菌）发酵剂的干燥存活率。•膨化处理提高了多糖和多酚含量，同时降低了残留淀粉。•高粱多酚增强了Acetobacter pasteurianus的耐干燥性。•PSH发酵剂表现出较低的含水率、水分活度、粒径和较

  来源：Journal of Food Engineering

  时间：2026-10-11

• 真空预冷延缓鲜枸杞（Lycium barbarum L.）软化：机械特性与抗氧化反应之间的关联

  •最佳真空压力（800–1000 Pa）可延缓鲜枸杞软化。•流变学模型能很好地描述采后粘弹性退化过程。•分子动力学模拟揭示压力可稳定抗氧化酶结构。•岭回归将宏观力学特性与内部氧化状态关联映射。引言鲜枸杞（Lycium barbarum L.）富含多种生物活性成分，是一种重要的

  来源：Journal of Food Engineering

  时间：2026-10-11

• 挤出式3D打印的CMC水凝胶中热组装乳清蛋白分离物纳米纤维的结构-性能关系

  •WPI纳米纤维在3-5%浓度下自组装，结构通过FTIR得到确认。•纳米纤维改善了CMC基墨水的质地、流变性和水分状态。•纳米纤维作为纳米级改性剂增强了3D可打印性和高度稳定性。引言3D打印，也称为增材制造，是一种通过逐层堆积材料从计算机辅助设计（CAD）文件构建物体的方法。

  来源：Journal of Food Engineering

  时间：2026-10-11

• 喷雾离子凝胶化法制备革兰胶/海藻酸钠微凝胶

  •GG/SA 混配利用凝胶化动力学调控微凝胶性质。•SA 锁定液滴形状，而 GG 允许形变。•基于前体流变学的无量纲关联预测微凝胶尺寸。•混配比例可实现微凝胶尺寸、刚性和溶胀的调控。引言多糖微凝胶是微米级的交联网络，兼具水凝胶的保水性与通透性以及胶体颗粒的行为（Akgonul

  来源：Journal of Food Engineering

  时间：2026-10-11

• 大麻分离蛋白对高水分植物肉品质及体外消化的影响

  - 通过将大麻蛋白分离物（HPI）与大豆蛋白分离物（SPI）和小麦谷蛋白（WG）共混，采用高水分挤出技术制备出一种新型植物基肉。 - HPI增强了PBM的颜色、纤维结构和二硫键介导的网状稳定性。 - 添加30%的HPI可使PBM的体外蛋白质消化率最大化。 - 添加HPI的PB

  来源：Journal of Food Engineering

  时间：2026-10-11

• 高速饮料灌装缺陷预测的混合机器学习模型

  混合机器学习框架基于55,590条数据预测高速饮料灌装线中的缺陷。二氧化碳流量、储罐压力和温度被识别为缺陷预测的关键驱动因素。蒸馏后的L2对数回归代理模型与教师模型F1分数相匹配（0.761对0.757）。混合机器学习模型的高精确率（0.977）限制了误拒。物理单位方程支持工

  来源：Journal of Food Engineering

  时间：2026-10-11

知名企业招聘：