基于人工智能建模与实验分析探究油脂浓度对蛋黄酱流变学特性的影响及其在创新食品设计中的应用

本综述创新性地融合实验流变学与机器学习（ML），系统解析油脂浓度对蛋黄酱（非牛顿流体）粘度、屈服应力及触变恢复性的影响机制；研究证实70%油脂配方与商业产品流变特性最接近，并首次采用XGBoost算法实现高精度粘度预测（R2=0.966），为健康导向型乳化食品开发提供数据驱动的智能化设计范式。

　　

Highlight

本研究通过整合实验流变学与机器学习建模，揭示了油脂浓度对蛋黄酱流变行为的量化影响，为智能化食品配方设计提供了新范式。

Materials and Sample Preparation

采用标准厨房级原料制备三种蛋黄酱样品：所有样品均含全蛋蛋清（约32克）、白醋（1茶匙≈4.2克）和盐（0.5茶匙≈2.1克），通过添加不同量的葵花籽油区分配方：50毫升（SM50）、100毫升（SM100）和150毫升（SM150），其油脂含量按总重计算分别约为54%、70%和77%。另选取一款市售蛋黄酱作为对照。

Flow Curve

粘度是决定食品质构与消费者接受度的关键参数。剪切应力与剪切速率关系曲线（图1a）显示所有样品均呈现非线性流动特性，符合非牛顿流体典型特征。初始阶段样品表现出显著剪切稀化行为，随剪切速率上升，粘度逐渐下降并趋于稳定。SM100（70%油脂）与市售产品流变曲线高度重合，表明其质构最接近商业标准。

Conclusions

本研究首次将监督式机器学习回归模型应用于蛋黄酱体系，通过融合实验数据与赫歇尔-巴尔克利模型参数，实现了对多油脂浓度条件下粘度行为的高精度预测。XGBoost算法表现出最优性能（R2=0.966），特征重要性分析进一步揭示剪切速率和油脂浓度为关键影响因子。该框架为食品流变学智能化研究提供了可扩展的方法学基础。