Professional Documents
Culture Documents
líquido-partículas enlatados
Anika Singh ,
Anubhav Pratap Singh ,
Hosahalli S. Ramaswamy,
Mostrar más Mostrar menos
doi: 10.1016 / j.tifs.2015.02.001
Obtener los derechos y contenidos
Destacados
•
Esta revisión destaca consideraciones de modelado en aplicaciones de procesamiento térmico.
•
Modelado de procesos térmica ha sido muy diversa, tanto de las técnicas y el punto de vista analítico.
•
El manuscrito ofrece una revisión crítica y pone de relieve de los enfoques utilizados en la actualidad.
•
Se destacan las correlaciones adimensionales útiles en la transferencia de calor en relación con el tratamiento térmico.
•
Se discuten los enfoques de optimización para la evaluación de los procesos térmicos.
Los modelos matemáticos y de predicción a través de técnicas de simulación experimentales e informáticas y los diversos
procedimientos de optimización forman las tres facetas de los estudios sobre el modelado de transferencia de calor. Revolución
reciente en las capacidades computacionales ha inspirado el uso de varios procedimientos avanzados de computación basados como
las redes neuronales artificiales, algoritmos genéticos, la dinámica de fluidos computacional, simulaciones numéricas avanzadas etc
.; aunque el uso de procedimientos analíticos tradicionales sigue siendo significativo. El tratamiento térmico es una tecnología madura
que ha sido ampliamente estudiado y ampliamente aceptado para aplicaciones comerciales para la producción de productos
alimenticios no perecederos.Esta opinión trae a la perspectiva, el estado actual de los diversos métodos disponibles con respecto al
tratamiento térmico de alimentos líquidos particulados enlatados. Varios modelos desarrollados por los investigadores están
resaltados y un resumen de las ideas asociadas se presentan.
Introducción
Procesamiento térmico, o enlatado, se ha definido como la aplicación de calor con el fin de prórroga de la vida útil y la promoción de
la seguridad alimentaria (Stumbo, Purohit, y Ramakrishnan, 1975).Procesamiento térmico es una de las tecnologías industriales más
importantes para la fabricación de estanterías alimentos enlatados estables y sigue siendo un método eficaz, incluso en la actualidad,
para la conservación de alimentos y garantizar la seguridad de los productos (Sun, 2012). Sin embargo, el tratamiento térmico no se
limita a la destrucción de los microbios por sí sola, sino que también destruye muchos nutrientes y por lo tanto se degrada la calidad
de los productos procesados térmicamente.Conceptos nuevos, como el procesamiento de la agitación, el procesamiento de perfil
delgado y procesamiento aséptico han evolucionado con el fin de proporcionar la ventaja de calidad sin comprometer la seguridad de
la salud pública. Reducir al mínimo las pérdidas de calidad durante el proceso térmico para proporcionar un adecuado proceso con
una esterilidad deseado es uno de los retos para la industria conservera (Abdul Ghani, Farid, y Chen, 2002). Por lo tanto, es muy
importante ser capaz de cuantificar y predecir la transferencia de calor correctamente para desarrollar un procedimiento que no sólo
asegura salud y la seguridad pública, sino también implica overcooking mínimo. Con el fin de lograr esto, el conocimiento y la
comprensión adecuada del fenómeno de transferencia de calor en el tratamiento térmico se hace necesario.
Con el fin de ofrecer un proceso térmico seguro, previo conocimiento de los fenómenos de transferencia de calor y metodologías
predictivas adecuadas debe estar disponible a fin de elegir el programa adecuado procesamiento (Erdogdu, 2008a). Diversas técnicas
matemáticas y modelos predictivos se han empleado para la estimación de la distribución de temperatura del contenido de la
lata. Con respecto a las mezclas de líquido-partículas enlatados, muchos investigadores han evaluado experimentalmente el
coeficiente global de transferencia de calor (U) y el coeficiente de transferencia de calor al fluido a partícula (h fp) durante el procesamiento térmico, y han
registrado el efecto de diferentes procesos y depende del producto variables en U y h fp (Awuah y Ramaswamy de 1996, Meng, 2006, Palazoglu, 2006, Rao y Anantheswaran
de 1988, Sablani y Ramaswamy, 1999, Singh et al., 2015 y Singh et al., 2015b). Estos coeficientes de transferencia de calor (U yh fp) entonces se
han utilizado en varios modelos de transferencia de calor desarrolladas utilizando diversos inteligencia computacional y artificial (AI) técnicas de modelado basado (Cariño-Sarabia y de Vélez-Ruiz, 2013). Teixeira, Dixon,
Zahradnik, y Zinmeister (1969) fue el primer trabajo pionero sobre la modelización numérica y optimización de la transferencia de calor
en la literatura de ingeniería de alimentos. Posteriormente, numerosos investigadores han desarrollado varios modelos para el estudio
de la transferencia de calor en la variedad de estudios sobre alimentos. Estos modelos se basan generalmente en equilibrio térmico
dentro del sistema y pueden predecir la penetración de calor transitoria de alimentos enlatados. Son muy útiles para la industria
conservera, ya que pueden reducir el número y el costo de experimentos requeridos para lograr la seguridad y la calidad del
producto. Correlaciones adimensionales también se han utilizado en muchas aplicaciones de ingeniería y los estudios han demostrado
que estos ofrecen un gran potencial para proporcionar enlace entre las variables de entrada y salida que participan en el proceso y
pueden ser utilizados eficazmente para fines de escala-up (Ramaswamy y Zareifard, 2002). Estas correlaciones se han desarrollado por
varios investigadores (Awuah y Ramaswamy, 1996, Dwivedi y Ramaswamy, 2010a,Meng y Ramaswamy, 2007 y Sablani et al., 1997a) y
son muy útiles en los perfiles de temperatura de tiempo de modelado de una mezcla de partículas en conserva y la determinación la
contribución de la transferencia de calor por convección natural y forzada. Los problemas que implican el estudio de tales fenómenos
de transferencia de calor complejo se pueden modelar a un alto nivel de precisión utilizando softwares de modelado avanzadas y de
dinámica de fluidos computacional (CFD) herramientas. CFD puede resolver numéricamente problemas de transferencia de calor
complejos asociados en un proceso.Scott y Richardson (1977) destacaron el uso de la tecnología CFD para el desarrollo de modelos de
transferencia de calor para la industria alimenticia. Muchos investigadores han revisado posteriormente el uso de modelos de CFD en
aplicaciones alimentarias (Anandharamakrishnan, 2003 y Norton y Sun,2007) y han llegado a la conclusión general de que CFD es
una herramienta eficaz para la solución de problemas de proceso complejas en la industria de procesamiento de alimentos. En los
últimos años, las tecnologías de inteligencia artificial como las redes neuronales artificiales (RNA) y los algoritmos genéticos (GA) han
estado recibiendo más y más interés por parte de una variedad de áreas, incluyendo el tratamiento térmico de los alimentos. Estas
tecnologías de inteligencia artificial modelar los problemas más complejos en forma de técnicas evolutivas. Mientras ANN se basa en
el funcionamiento de la inteligencia humana, GA se basa en la evolución humana. Estas técnicas tienen la capacidad de relacionar los
parámetros de entrada y salida sin ningún conocimiento previo de la relación entre ellos.ANN se puede utilizar de forma
independiente para diversos fines, tales como sistemas de modelización, clasificación y control mientras GA, como una técnica de
búsqueda, se puede utilizar con fines de optimización en combinación con diferentes tipos de modelos. Funciones y limitaciones de
fitness GA se pueden modelar usando modelos matemáticos, modelos CFD o modelos basados ANN. Desde la década de 1990, ANN
y GA han sido ampliamente investigado en las aplicaciones de las áreas de procesamiento de alimentos por muchos
investigadores (Afaghi y Ramaswamy, 2001, Chen y Ramaswamy, 2002a, Chen y Ramaswamy, 2002b, Chen y
Ramaswamy, 2002c, Dwivedi y Ramaswamy, 2010b, Sablani et al., 1997b y Sablani et al., 1997c).
Debido a las numerosas aplicaciones y la importancia económica de los estudios de transferencia de calor, este tema es de gran
interés para la industria y el mundo académico por igual (Ramaswamy y Marcotte, 2005). Numerosos investigadores han revisado las
tecnologías de modelado y optimización utilizados para el análisis de la transferencia de calor en los alimentos. Algunos de los
comentarios anteriores (Barigou et al., 1998, Holdsworth, 1985, Maesmans et al., 1992 y Ramaswamy et al., 1997) se han centrado en el
enlatado, procesamiento aséptico y el procesamiento de flujo continuo, pero carecen de información sobre el uso de técnicas de
modelado computacional. Revisiones recientes (Banga et al.,2003, Norton y Sun, 2006, Norton y Sun, 2007, Wang y Sun,
2003 y Yanniotis y Stoforos, 2014) tienen enfoque genérico y cubren una amplia variedad de procesos térmicos como el
procesamiento térmico, aséptica elaboración, cocción, secado, calentamiento por microondas, calentamiento óhmico etc. Esta revisión
se centra en las técnicas de modelado para estudiar el fenómeno de transferencia de calor que ocurren durante el procesamiento
térmico en recipiente de mezclas de partículas líquidas específicamente. Se resumen los diferentes modelos analíticos, numéricos y
CFD basados utilizados para la simulación del fenómeno de transferencia de calor en los alimentos particulados líquidos
enlatados.Además, se incluyen correlaciones adimensionales y modelos ANN propuestas por diversos autores para correlacionar los
coeficientes de transferencia de calor con los procesos y productos variables dependientes. Por último, también se revisan los
procedimientos adoptados por diversos investigadores para la optimización del proceso térmico utilizando enfoques basados
tradicionales y GA.
líquido-partículas
Si bien hay muchos métodos para modelar el fenómeno de transferencia de calor asociado con el procesamiento térmico de
alimentos, implican mismos conceptos generales. Como se muestra en la Fig.1, el sistema líquido-partículas se rige por dos etapas de
resistencias de transferencia de calor, uno a través de la pared de la lata con el calor transferido desde el medio de calentamiento al
líquido lata, y el segundo a través del límite líquido y las partículas dentro de la lata. Por lo tanto, el perfil de tiempo-temperatura
durante todo el proceso se puede predecir conociendo los valores del coeficiente global de transferencia de calor (U), en la pared de
la lata, y el coeficiente de transferencia de calor al fluido a partícula (h fp), en el interfase líquido-partícula. Para la estimación de U y HFP, el primer paso
es básico para llevar a cabo un balance térmico global en el sistema líquido-partículas. Ecuaciones de balance de energía a través de
las dos interfaces (puede pared para U y la interfaz fluido-partícula de h fp) pueden ser utilizados para obtener los valores de U y h fp (Sablani y Ramaswamy,
1999 y Singh et al, 2015.):
ecuación (1)
ecuación (2)
Fig. 1.
Perfil de temperatura de calentamiento medio del centro de la partícula en un sistema líquido / partículas en conserva.
(Fuente: Meng, 2.006).
Opciones Figura
Descargar imagen a tamaño completo
Descargar como diapositivas de PowerPoint
La ecuación (1) es la ecuación de balance de energía para un sistema de partículas en lata líquido según la cual el calor total que viene
dentro de la lata se utiliza para aumentar la temperatura del líquido y las partículas. La ecuación (2) es el balance de energía en la
superficie de partículas de líquidos. Estas ecuaciones de transporte se pueden resolver analíticamente o numéricamente para un límite
dado y las condiciones iniciales. Los siguientes supuestos se han utilizado para obtener las ecuaciones (1) y (2)(Sablani y
Ramaswamy, 1.999): -
•
Temperaturas iniciales uniformes para líquidos y partículas,
•
Temperaturas del líquido uniformes en Can cualquier momento instantánea,
•
Perfil de temperatura espacial y temporal Lo mismo para todas las partículas,
•
Coeficientes de transferencia de calor constante,
•
Propiedades físicas y térmicas constantes para ambos fluidos y partículas, y
•
No acumulación de energía en lata pared.
Las ecuaciones (1) y (2) formar el marco básico que necesita ser resuelto para calcular el coeficiente global de transferencia de calor
(U) y el fluido de partículas coeficiente de transferencia de calor (h fp) utilizando los datos de tiempo y temperatura recogidos de la retorta, líquidos y partículas en el lugar-lugar frío. Estas
ecuaciones también se pueden resolver individualmente utilizando temperaturas de partículas de masa media para estimar U o
h fp (Erdogdu, 2008b). Algunos investigadores han utilizado cristales líquidos, enzimática, microbiana o de otros integradores de
temperatura de tiempo de temperaturas de la superficie para estimar las temperaturas promedio de partículas (Weng, Hendrickx,
Maesmans, y Tobback, 1992). Sin embargo, es práctica común para recopilar temperaturas de partícula de centro en el centro de las
partículas, ya que representan la letalidad frío in situ para las partículas de calentamiento por conducción y por lo tanto utilizarse para
el establecimiento de un proceso térmico. Sin embargo, la principal desventaja de la medición de la temperatura de las partículas-
centro es que el apego termopar puede restringir el movimiento de las partículas, lo que lleva a los posibles cambios en la medición
de la temperatura y el coeficiente de transferencia de calor asociado. En varios estudios, una delgada termopar alambre flexible fijado
al centro de partículas se ha utilizado para recoger datos de la temperatura de las partículas del centro durante el proceso de
agitación (Dwivedi y Ramaswamy, 2010a, Meng y Ramaswamy, 2007,Sablani et al., 1997a, Sablani y Ramaswamy, 1999, Singh et al.,
2015 y Singh et al., 2015b). Estos cables del termopar son ligeros, delgados y flexibles lo que en general no causan restricción
importante al movimiento de las partículas, especialmente cuando se une a partículas de alimentos simulando hechos de materiales
plásticos tales como Nylon, Teflon y polipropileno. Aunque algunos de restricción es inevitable, la técnica permite movimiento de las
partículas y la evaluación de su influencia en la transferencia de calor. Aunque, otras técnicas no invasivas como termopares
inalámbricos, UBI, etc. TTI se han utilizado para medir las temperaturas en latas en movimiento, éstos han limitado su uso para la
medición de temperatura de la partícula debido a su peso e influir en la partícula propiedades termofísicas y restringir severamente
partícula movimiento. Por lo tanto, las mediciones de termopar basado siguen siendo el modo más común de reunir el perfil de
temperatura de las partículas que se desplazan dentro de la lata.
Si se utilizan temperaturas de partícula de centro, es importante para estimar las temperaturas de partículas de la superficie para ser
utilizados en la ecuación (2). Para ello, la ecuación de transferencia de calor por conducción es, junto con las ecuaciones (1) y (2) para
obtener una estimación de U y h fp. Para una partícula esférica, suponiendo una transferencia de calor 1-D a lo largo de la dirección
radial, el flujo de calor se describe por la ecuación diferencial parcial (3) con condiciones de contorno inicial y final prescritos por las
ecuaciones (4), (5) y (6) (Alhamdan, Sastry, y Blaisdell, 1990):
ecuación (3)
∂T∂t=αp(∂2T∂r2+2r∂T∂r)
Gire mathjax en
ecuación (4)
T(r,0)=Tyolatt=0
Gire mathjax en
ecuación (5)
∂T(r,t)∂r=0latr=0
Gire mathjax en
ecuación (6)
kp∂T(r,t)∂r=hFp(TF-Tps)latr=la
Gire mathjax en
El h fp valor se puede calcular mediante la resolución de la ecuación (3) de forma iterativa mediante la partícula-centro experimental y
de los perfiles de temperatura de líquido. U puede entonces obtenerse mediante la resolución de las ecuaciones (1) y (2) utilizando el
perfil de temperatura de la partícula de la superficie generada mediante el uso de la ecuación (3). Tales esquemas iterativos de
evaluación de U y hfp se han utilizado ampliamente por diversos investigadores para estudiar el modelado de líquido de partículas
alimentos enlatados en-de extremo a extremo (Sablani y Ramaswamy, 1999), axial (Dwivedi y Ramaswamy, 2010b) y alternativos ( Singh
et al., 2015 y Singh et al., 2015b) modos de agitación. Aquí vale la pena mencionar que en los rápidos escenarios de procesamiento
de agitación, como alternativo agitación, la exactitud de los perfiles experimentales recogidos es limitado debido a agitación vigorosa
de termopares. Además, la precisión de la solución numérica de las ecuaciones (3) - (6) está limitada en la región temprana cuando el
número de Fourier (F O) <0,2. Recientemente, Singh et al. (2015b) propone un enfoque refinado para calcular U y h fp en tales condiciones
de calentamiento rápido. En lugar de soluciones de montaje de las ecuaciones (1) - (6) cuyos perfiles experimentales, propusieron
equipándolos con perfiles medios calculados utilizando los parámetros de penetración de calor mediante el empleo de una variación
de la ecuación (11). Este enfoque semi-numérica semi-analítica requiere sólo los parámetros de penetración de calor (en lugar de
múltiples puntos de datos de todo el perfil experimental) para el cálculo de U y h fp y puede ser beneficioso para reducir los tiempos
de cómputo.
Resolviendo la ecuación diferencial parcial (3) con estas condiciones de contorno no es muy sencillo, ya que no hay solución analítica
sencilla disponible. La mayoría de las soluciones a la ecuación (3) asumir una temperatura de líquido constante, pero estas
temperaturas son transitorios. El teorema de Duhamel(Tabla 1) se ha utilizado ampliamente por los investigadores (Cariño-Sarabia y
Vélez-Ruiz, 2013,Fernández et al., 1988 y Stoforos y Merson, 1991) para manejar temperaturas del líquido transitorios.Algunos de los
enfoques para resolver la ecuación (3) se discuten en las siguientes secciones, mientras que los conceptos básicos de estos enfoques
se describen en la Tabla 1.
Mesa 1.
Metodología Solución para la ecuación de transferencia de calor (3) utilizando técnicas de solución analíticos y numéricos
para el procesamiento térmico de alimentos líquidos particulados.
Técnicas de solución analítica
Laplace método de
Método de separación de variables una transformación de una De Duhamel teoremab
• • •
Técnicas de solución analítica
Laplace método de
Método de separación de variables una
transformación de una De Duhamel teoremab
La ecuación (3) se resuelve como un producto del espacio X (x) y La La
un tiempo T (t) (viz. T (x, t) = X (x), T (t) = [D cosbx + E sinbx] e- ecuación (3) ecuación (3
b tT(X,t)=X(X), T(t)=[D cosbx+ E pecadobx]e-b2t). La separación
2
se )es válida
de términos de X y T e igualando cada lado a una constante, se multiplica para
puede obtener soluciones para X y una solución de T. particular por e -bte temperatur
es encontrado utilizando las series de Fourier. integrado a as del
• partir de t = líquido
Utilizando una función de paso para temperatura de la superficie 0 a ∞.La constantes,
de la solución de pero son
partícula: las transitorios.
ecuaciones El teorema
transformad de
Laplace método de
Método de separación de variables una
transformación de una De Duhamel teoremab
que Henkel requerida
transformar usando el
y funciones teorema de
de Bessel se Duhamel.
utilizan para
la
geometría
cilíndrica.Ta
mbién
existen
algunas
funciones
trascendent
ales
especiales.
Laplace método de
Método de separación de variables una
transformación de una De Duhamel teoremab
Ecuaciones desarrollad
desarrollad as se
os son resuelven
algebraica fácilmente
(resuelto como
por el fundentes
álgebra en la
lineal) para superficie
el estado de de cada
equilibrio y volumen
EDO finito.
(resuelto
por
integración
numérica)
para el
problema
transitorio.
la
Holdsworth y Simpson, 2007, Ramaswamy y Zareifard, 2002 y Welty et al., 2007.
b
Hayakawa et al., 1997, Stoforos et al., 1997 y Welty et al., 2007.
c
Erdogdu, 2008b, Holdsworth y Simpson, 2007 y Smith, 1999.
d
Strang y Fix (2008).
e
LeVeque, 2002 y Toro, 1999.
Mesa de tamaño completo
Opciones de tabla
Ver en el espacio de trabajo
Descargar como CSV
ecuación (7)
mpcppLApln(T*)=-hFpt
Gire mathjax en
A partir de la historia de la temperatura de la partícula, parcelas de ln T * vs. tiempo puede ser obtenida y la pendiente de esta gráfica
se puede calcular. Por lo tanto, el coeficiente de transferencia de calor por convección puede evaluarse a partir de la siguiente
ecuación:
ecuación (8)
hFp=-cuesta abajo*(mpcppLAp)
Gire mathjax en
La ventaja de esta formulación es que conduce a una ecuación diferencial de primer orden simple que describe la transferencia de
calor en estos sistemas. Tener un número de Biot menor que 0.1 etiquetas como una sustancia térmicamente delgada, y la
temperatura puede ser asumido para ser constante en todo el volumen del material, y por lo tanto el uso de un enfoque de
parámetros concentrados puede ser justificado. Sin embargo, esta formulación también es válida sólo para la temperatura del líquido
constante. Para las mezclas de partículas de líquido, la temperatura del líquido es transitoria y por lo tanto el teorema de
Duhamel (Tabla 1) se utiliza en conjugación con el análisis de parámetros concentrados.Pero aún así, este enfoque conduce a una
solución analítica rápida y simple para sustancias térmicamente delgadas.
T*=(2Byo)Σn=1∞[Mn2+(Byo-
1)2]pecadoMnMn2[Mn2+Byo(Byo-1)]·pecado(Mnr/la)(r/la)e-Mn2F0
Gire mathjax en
Después de tiempo de calentamiento suficientemente largo (F o> 0,2), la solución de serie de la Ecuación (9)converge rápidamente y se puede aproximar
como el primer término. Por lo tanto, usando M como la primera raíz de la ecuación de arriba y abreviar todos los parámetros detrás
del término exponencial como A, la ecuación (9) puede reescribirse como la ecuación (11).
ecuación (11)
log10T*=log10LA-(M2αt2,303Lc2)
Gire mathjax en
Una vez más, la ecuación (9) asume una temperatura de líquido constante agrupado como solución de enfoque de parámetro. Por lo
tanto, el teorema de Duhamel necesita ser utilizado para manejar temperaturas del líquido transitorios. Solución de la ecuación (9) ha
sido soluciones más simplificados para diferentes geometrías por varios investigadores (Ramaswamy et al., 1982 y Ramaswamy y
Sreekanth, 1999). El valor de difusividad térmica en la ecuación (11) se obtiene generalmente asumiendo un coeficiente de transferencia
de calor convectivo infinito. Desde este enfoque se traduce en ciertos errores en los resultados, sería una tarea importante para
determinar la difusividad térmica y coeficiente de transferencia de calor por convección simultáneamente (Erdogdu, 2008a). Erdogdu
(2005) también han revisado varios enfoques matemáticos para la determinación experimental de parámetros de transferencia de
calor y han presentado un método para evaluar el coeficiente de transferencia de calor y la difusividad térmica de forma
simultánea. Esta estrategia que emplea la transferencia de calor de masas (Chilton-Colburn) analogía se puede utilizar eficazmente
para los casos con baja masa fundente es decir, donde la transferencia de masa no afecta a las propiedades de flujo. Erdogdu
(2008a) concluyó además que una determinación precisa de la difusividad térmica y el calor convectivo coeficiente de transferencia es
una tarea difícil, pero a sabiendas de la ubicación en la que se obtuvo el tiempo-temperatura experimental que realmente simplificar
este problema.
Hay muchas técnicas (Tabla 1) para llegar a soluciones tales analíticos para la ecuación de transferencia de calor. Para diferentes
formas como esfera, placas y cilindros infinitos y semi-infinitos, soluciones analíticas generales basadas en estas técnicas están
disponibles en la literatura (Erdogdu de 2005,Holdsworth y Simpson, 2007 y Welty et al., 2007). En general, el método de separación
de variables es el método más preferido, sin embargo, los métodos de transformación son más fáciles para los problemas simples. Sin
embargo, para las condiciones de contorno y geometrías complejas tales como las que se encuentran durante el envasado de
partículas de líquido, la búsqueda inversa transformar no siempre es fácil y puede ser numéricamente muy intensivo. Por lo tanto, se
prefiere una combinación del teorema de Duhamel con la solución analítica en los estudios de transferencia de calor en mezclas de
partículas líquidas por diversos investigadores (Cariño-Sarabia y Vélez-Ruiz, 2013 y Stoforos y Merson, 1991).
Una vez que tenemos el perfil de temperatura de la retorta, el líquido y la partícula utilizando la ecuación(11) o una ecuación similar
usando una de las técnicas solución analítica, los valores de U y h fp pueden ser evaluadas por el montaje del perfil analítico con el
experimental uno usando menos suma de diferencias al cuadrado de la temperatura (LSTD) o un enfoque menos acumulada letalidad
diferente (LALD). Aunque, las soluciones analíticas son fáciles de trabajar con, sin embargo, su aplicabilidad está restringido a un
número limitado de situaciones, y no se pueden obtener para todas las condiciones y geometrías de las partículas. En estas
situaciones, se aplican técnicas de solución numérica.
CFD se basa en métodos numéricos que pueden predecir el mecanismo de transferencia de calor que rige sobre el dominio 3-
dimensional de interés. Desde la primera aplicación informática de CFD en el 1950, no ha dejado de desarrollarse simultáneamente
con la computadora digital. Junto con otros avances tecnológicos, CFD ha mostrado un gran potencial para lograr una mejora en la
calidad y seguridad de los alimentos, con la reducción del consumo de energía y la cantidad de empirismo asociado a un proceso de
diseño (Norton & Sun, 2007). Con versatilidad reciente, y la eficiencia obtenida de progreso en el modelado geométrico, físico y
numérico, CFD fácilmente se puede aplicar a procesos alimentarios térmicos convencionales y novedosos que van desde los modelos
experimentales a los sistemas a escala-up (Ramachandran, Malhotra, Anishaparvin, y Anandharamakrishnan, 2011). Modelos CFD se
utilizan en estudios de procesamiento térmico en sistemas líquido-partículas tales como rodajas de piña en su jugo(Abdul Ghani y
Farid, 2006), los guisantes en agua (Kiziltas et al., 2010), los espárragos en salmuera(Dimou y Yanniotis, 2011 ) etc. El uso de CFD para
los cálculos de destrucción microbiana durante el procesamiento térmico ha sido también reportado (Dimou, Stoforos, y
Yanniotis, 2014).
Durante la esterilización, calentamiento rápido y uniforme es deseable dentro de un sistema caned. Esto es deseable para lograr un
nivel adecuado de la esterilidad con la destrucción mínima del color, la textura, y los nutrientes de los productos alimenticios (Chen y
Ramaswamy, 2002a). Muchos investigadores se han centrado en la investigación de los fenómenos de transferencia de calor en los
alimentos enlatados.CFD es una excelente herramienta para comprender los fenómenos de transferencia de calor transitorios que se
producen dentro de la lata. Utilizando el análisis de CFD, es fácil encontrar la zona de calentamiento más lento dentro de la lata, que
puede ser utilizado además para calcular el tiempo de proceso requerido para esa zona, así como ilustra la fuerte heterogeneidad en
el perfil de temperatura del producto cuando no se aplica agitación a la lata (Abdul Ghani, 2006).
Simulaciones CFD se han utilizado para generar los datos requeridos para el modelado y la optimización para predecir el tiempo de
esterilización. Esto ha sido ampliamente utilizado por diversos investigadores para el estudio de sistemas líquido-partículas
considerando partículas líquidas como fases separadas y por mallado individualmente las partículas, aunque, esto hace que estos
esquemas computacionalmente más exigentes. Abdul Ghani y Farid (2006) estudiaron la simulación en la esterilización proceso de una
mezcla de fluido-sólido en una lata, y concluyó que la posición de la comida en la lata tiene una gran influencia en los tiempos de
esterilización. Varma y Kannan (2005) estudiaron el efecto de forma del recipiente en la eficiencia del proceso de esterilización en
purés de frutas y hortalizas en CMC y observaron que los buques forma cónica apuntando hacia arriba fue rápido para llegar a la
temperatura de esterilización adecuada. Posteriormente, se investigaron el efecto de la geometría de la lata cilíndrica convencional y la
orientación latas sobre la tasa de esterilización térmica de los alimentos de pseudo plástico usando simulaciones CFD. Abdul Ghani
(2006) también ha analizado el ciclo de enfriamiento de la esterilización de jugo de cereza concentrado (74 ° Brix) usando CFD. En
otro estudio, Kannan y Gourisankar Sandaka (2008) han proporcionado información sobre el proceso de esterilización térmica de
purés de tomate en el 0,85% de CMC en latas de alimentos relativamente largos de diferentes relaciones de aspecto. Dimou et
al. (2014) estudiaron el efecto de lata orientación en mitades de melocotón y concluyeron que las latas horizontales exhibieron tasas
de calentamiento más rápido.
Análisis CFD se ha utilizado para estudiar el tipo de convección sucediendo en el sistema. Estos estudios se han centrado
principalmente en las latas llenas de líquido solamente (líquido o aire), ya que hace que sea menos exigente computacionalmente. Sin
embargo, estos estudios son relevantes para los sistemas líquido-partículas, como el mecanismo de la convección en tanto es
inherentemente la misma. Abdul Ghani et al. (2002) llevó a cabo el análisis CFD para la transferencia de calor por convección natural y
forzada asociada con el procesamiento térmico de sopa. Observaron que la convección forzada fue de alrededor de cuatro veces más
eficiente en comparación con la convección natural para aumentar las tasas de transferencia de calor. En un otro estudio, Tattiyakul,
Rao, y Datta (2001) simula solución de almidón de someterse a gelatinización transitoria y concluyó que un calentamiento uniforme
podría obtenerse mediante la rotación de la lata de forma intermitente durante el proceso de esterilización.Kurian, Varma, y Kannan
(2009) observado convección natural inducida por los efectos de flotabilidad térmicas en una fuerza gravitacional sobre el estudio de
las latas llenas de aire con número de Prandtl de 0.71. Se determinó el efecto del ángulo de inclinación (que van desde 0 a 180) y el
número de Rayleigh en un cilindro inclinado en transferencia natural térmica interna convectiva de calor en los flujos de flotabilidad-
inducida, utilizando la simulación con un código de CFD comercial.
CFD también se encontró muy eficaz en los estudios sobre procesamiento térmico agitación, la optimización de velocidades de
calentamiento y el efecto de movimiento de fluidos y espacio de cabeza durante el procesamiento térmico agitación. Es fácil de
estudiar el movimiento del fluido en el modo fijo (convección libre) y bajo agitación (convección forzada). El uso de herramientas CFD,
las ecuaciones de flujo de fluidos se pueden acoplar con las ecuaciones de transferencia de calor para estudiar los dos juntos. En
estudio reciente, Erdogdu y Tutar (2011) estudiaron el efecto de la velocidad de rotación y las propiedades físicas computacionalmente,
mediante la aplicación de un método de volumen finito para la rotación axial de la lata. Las diferencias en las tasas de transferencia de
calor de los sistemas aire-agua y materiales aire alimentos se atribuyen al desarrollo de las fuerzas de rotación (centrífugas y
flotabilidad) en comparación con las fuerzas de flotación gravitacionales. Observaron efecto negativo del aumento de la velocidad de
rotación en el aumento de la temperatura. Tutar y Erdogdu (2012) estudiaron la simulación numérica de las características de
transferencia de calor y de campo de velocidad de sistemas de dos fases de flujo (aire-agua y sistemas de aire de alimentos) en
sentido axial giratorio horizontal caned sistema. Observaron que los patrones de flujo de dos fases influido significativamente por el
aumento de las velocidades de rotación, que conduce a los patrones de flujo distinguibles en el aire-líquido (el material de agua /
alimentos) características de la interfaz. El uso de este, el movimiento de la burbuja de aire del espacio de cabeza a través de la fase
líquida y su efecto en la mezcla de partículas líquidas también se ha modelado (Erdogdu y Tutar, 2011 y Tutar y Erdogdu, 2012) y se
encontró que el tamaño de la burbuja del espacio de cabeza afectó significativamente el calor y la transferencia de masa ocurre en el
sistema.
En la mayoría de los estudios sobre CFD, se usó el enfoque de revolución para reducir el tiempo de cálculo. Abdul Ghani et
al. (2002) sugiere el uso de enfoque 3-D para los alimentos líquidos enlatados, ya que el concepto de eje-simétrica no es posible
aplicar en toda sistemas. Sin embargo, el enfoque de 2-D es también importante y más útil para sistemas más simples, ya que reduce
el tiempo de cálculo para la toma de optimización y rápidos. Dependiendo de la geometría y la orientación de la lata, las latas se
pueden clasificar en parte inferior calentada (donde la transferencia de calor desde la parte inferior es significativo) y el lado calentado
(donde la transferencia de calor desde los lados es significativa).Teniendo en cuenta esto, Boz y Erdogdu (2013) estudiaron la
simulación de transferencia de calor en latas horizontales de productos líquidos en el escenario 2-D y 3-D para reducir el tiempo de
cálculo de manera significativa. Sin embargo, la convergencia de las soluciones en estos estudios depende de varios parámetros tales
como tamaño de paso aplicada hora, resolución de malla y esquema numérico para relacionar las condiciones de contorno con
elementos computacionales. La literatura de ingeniería comida en general hace uso de primer orden híbrida y contra el viento
esquemas numéricos debido a sus características de convergencia superiores, pero el refinamiento malla no siempre servir al
propósito de obtener la precisión deseada (Norton & Sun, 2006). Boz, Erdogdu y Tutar ( 2014) estudiaron los efectos del tamaño del
paso del tiempo, el refinamiento y la elección del esquema de solución numérica con malla de la temperatura y la evolución campo de
velocidades en una muestra de agua en lata natural convectivo calentado. Encontraron que mientras que el refinamiento de malla
afectada distribución de la temperatura de manera significativa, la exactitud se perdió en la solución de la distribución de la
temperatura, y los tamaños de paso de tiempo reducidos no condujo a ninguna mejora. También, el exceso de refinamiento de la
malla se deteriora los resultados con ciertas oscilaciones de temperatura en las etapas anteriores de simulaciones. Aunque, la mayoría
de estos estudios sobre CFD se han centrado en los alimentos líquidos, sin embargo, la discusión es relevante para las mezclas de
líquido-partículas también.
Por lo tanto, se ve que numerosos estudios CFD (Tabla 2) se han realizado para determinar y entender los fenómenos físicos reales
que suceden dentro de la lata durante el calentamiento y proceso, lo que condujo al desarrollo de las correlaciones de transferencia
de calor más realistas entre las variables del proceso de enfriamiento. Modelos CFD pueden ser utilizados adicionalmente para el
cálculo del flujo de transferencia de calor como una función del tiempo, para la optimización del proceso y para predecir los tiempos
de proceso y las desviaciones del proceso.
Correlaciones adimensionales
Correlaciones adimensionales son ampliamente utilizados en la predicción de los coeficientes de transferencia de calor y han
demostrado una gran promesa con respecto a su aplicabilidad y fiabilidad(Dwivedi y Ramaswamy, 2010a, Meng y Ramaswamy,
2.007 y Sablani et al., 1997a). Empíricamente, análisis dimensional es una técnica para crear grupos adimensionales para reducir la
cantidad total de la variable funcional de las propiedades físicas relevantes en los estudios de transferencia de calor. Algunas de las
magnitudes adimensionales que se han utilizado para establecer correlaciones entre diferentes procesos y sistemas variables son: el
número de Reynolds, número de Nusselt, Número Biot, número de Prandtl, número de Grashoff etc. diferentes constantes
adimensionales que se puede utilizar para el desarrollo de tales correlaciones para esférica partículas se detallan en la
literatura (Incropera y de Witt,2011). Cada uno de estos número adimensional representa las condiciones de procesamiento y se puede
utilizar, en particular durante la escala en marcha del proceso. El análisis dimensional también se puede utilizar para proporcionar un
valor promedio del coeficiente de transferencia de calor sobre un cuerpo durante el calentamiento y enfriamiento. También ofrecen la
flexibilidad para predecir el coeficiente de transferencia de calor sin la necesidad de la experimentación real, y se pueden utilizar en las
subrutinas de optimización y otros programas de predicción.
Algunas de las correlaciones desarrolladas se han compilado y representado en la Tabla 3 U y h. Fp están representados en estas
correlaciones en términos de número de Nusselt:
ecuación (12)
Nu=Transferencia de calor convectiva de líquido a la superficie de partículasTransferencia de calor Condutive dentro del
líquido=hLc/kForULc/kF
Gire mathjax en
Tabla 3.
Algunas correlaciones adimensionales publicados en términos de número de Nusselt para los coeficientes de transferencia
de calor (U yh fp) durante el tratamiento térmico de los alimentos líquidos partículas.
Las condiciones Correlación
experimentales Limitaciones / Validez para: Correlación adimensional Referencia
Calefacción: Nu = 1,88 × 10 -
3
Ra 0,388 = e 3,11 -0,077 Fo
Partículas en forma de Enfriamiento: Nu = 1,25 × 10- Alhamdan y
hongo en CMC 4.0 <Ra <8,0 3
Ra 1,113 = e 1,59 -0,037 Fo Sastry(1990).
Calefacción: Nu = 5,53 Ra 0,21
=
630 Fo -0,18
Partículas en forma de 2 × 10 6 <Ra <3 × Enfriamiento: Nu = 0,08 0,27 = 100 Alhamdan et
hongo en el agua 10 9
h fp Fo -0,23 al. (1990).
h fp (single -
patata) Nu = 2,0515 (GRPR) 0.0914
h fp(mutiple - Nu = 1,1075 (GRPR) 0.0887(V p / V f) -
patata) 0.1562
h fp (single -
tomate) Nu = 2,8450 (GRPR) 0.0455
h fp(mutiple - Nu = 2,3721 (GRPR) 0.0741(V p / V f) -
tomate) 0.0110
h fp (single -
Patatas, tomates y setas en setas) Nu = 2,9411 (GRPR) 0.0514
agua ionizada, NaCl (3%) y h fp(mutiple - Nu = 2,4158 (GRPR) 0.0523(V p / V f) - Cariño-Sarabia y
CMC 0.32≤Bi≤4.78 setas) 0.0190 Vélez-Ruiz(2013).
Nylon, Teflon y 0,26 ≤ Gr / (Re) 2 ≤ U (axial libre - Nu = 52,90 Dwivedi y
polipropileno esferas en 13.51 (axial libre) 0,38 forzada) Re 0.27
Pr 0.10
(ρ p/ ρ l) 0,47
(ε / (100 - Ramaswamy(2010a).
Las condiciones Correlación
experimentales Limitaciones / Validez para: Correlación adimensional Referencia
solución de alta viscoso ≤ Gr / (Re) 2
≤ 18.07 ε)) 0.015
0-90 °)
Horizontal (90
1034 <Ra <31027 °) Nu = 0,915 (Ra ri) 0.35
Inclinado
intermedia (90
1034 <Ra <31027 a 180 °) Nu = 1 + 0,086 (Ra ri) 0,71 (π - ɵ ) 1.90
16 ≤ Re ≤ 2,34 * 10 4,
La elección correcta de longitud característica es muy importante para establecer correlaciones adimensionales. Sin embargo, la
longitud característica correcta para ser utilizado para diversos números adimensionales requiere una cuidadosa consideraciones en la
geometría del proceso térmico. Los investigadores han intentado diferentes variables como el parámetro de longitud característica
para correlacionar U yh fp en diferentes escenarios de procesamiento térmico que involucran mezclas de líquido-partículas. En la
rotación axial, el radio del carrete se utilizó como la longitud característica.Además, algunos investigadores han utilizado diámetro de
la lata como la longitud característica para describir el comportamiento de calentamiento de líquido en la presencia de múltiples
partículas. Diámetro de la partícula también se ha utilizado como longitud característica en la correlación para que el fluido de
transferencia de calor partícula coeficiente h fp (Fernández et al., 1988). Algunos estudios han sugerido el uso de la suma del diámetro
de rotación y el diámetro de la lata, como la longitud característica, para U correlación y dimensión más corta de la partícula para
H fp correlaciones (Sablani et al., 1997a). Estos se justificaban diciendo que la transferencia de calor en la cámara de pared se regía por
tanto puede y partículas movimientos, mientras que en la superficie líquida de partículas se rige únicamente por líquido movimiento
de partículas.
Para los estudios de partículas individuales, el número de Nusselt se ha relacionado con el número de Reynolds (Re), número de
Prandtl (Pr) y lata espacio de cabeza relativa. Para múltiples estudios de partículas, la relación de espacio de cabeza a la longitud de la
lata (h s / h ce), la relación de la partícula a la concentración de líquido [ε / (100 - ε)], la relación entre el diámetro de partícula equivalente a la diámetro de la lata (DC / DC), la esfericidad de las partículas (ψ), y el simplex densidad ((ρ p - ρ f) / ρ f) se han utilizado en
las correlaciones para Nu (Meng y Ramaswamy,2.007). Headspace se ha utilizado en estas correlaciones porque U y h fp dependen del tamaño del
espacio de cabeza. Aparte de estos, Fernández et al. (1988) han utilizado el lecho fluidizado y de lecho compacto enfoques y el
número Stanton modificado y Colburn j-factor en correlaciones empíricas para h fpen latas con rotación axial. Además, las relaciones
numéricas Froude, las tasas de densidad, la concentración de partículas de diámetro y se han incorporado en las correlaciones más
específicos, tales como los desarrollados por Dwivedi y Ramaswamy (2010a) para el enlatado de alimentos en retortas
rotativas. También utilizaron una combinación de radio de carrete, radio de lata y el radio de las partículas como longitud
característica.
Hay ejemplos de tanto forzada y natural de convección / libre en la investigación de alimentos (Meng y Ramaswamy, 2007). La
convección natural lleva el calor de forma natural, como en el procesamiento todavía térmica convencional; sin embargo, en la
convección forzada, la transferencia de calor se ve reforzada por la aplicación externa de energía como agitaciones giratorios o
laterales, etc., como en autoclaves de agitación. En todas las situaciones de convección forzada, existe el fenómeno de convección
natural para operar debido a la presencia de fuerzas de flotación. Sin embargo, en el caso de la convección mixta, fuerzas de flotación
e inerciales operar simultáneamente, y, a veces, tener el mismo orden de magnitud (Dwivedi y Ramaswamy, 2010a).
En la convección forzada, el coeficiente adimensional de transferencia de calor se da como función combinada de número de
Reynolds (Re) y el número de Rayleigh (Ra). Sin embargo, en caso de convección natural / libre, ya que no hay agitación, la turbulencia
es generalmente bajo y el coeficiente de transferencia de calor adimensional se da como función de sólo el número de
Rayleigh (Incropera y de Witt, 2011). Aquí, el número de Reynolds es indicativa de la velocidad de agitación y la turbulencia creada
durante el proceso y se puede utilizar para comparar la importancia del efecto de las fuerzas inerciales y viscosas. Número de
Rayleigh, por otra parte, es un producto de Grashoff (Gr) y Prandtl (Pr) número y es indicativo de la convección libre o natural ocurre
en el sistema. Cuando el número de Rayleigh está por debajo del valor crítico para un fluido, transferencia de calor es principalmente
en la forma de la conducción; y cuando excede el valor crítico, la transferencia de calor es principalmente en la forma de convección.
ecuación (13)
La convección forzada:Nu=F(Re,Ra)
Gire mathjax en
ecuación (14)
Natural / convección libre:Nu=F(Ra)
Gire mathjax en
Al fijar el valor de la convección libre para variar convección forzada, los investigadores (Dwivedi y Ramaswamy, 2010a) observó que la
convección natural tiene un papel importante, especialmente durante el calentamiento de lata sometido a axial rotación. Rao y
Anantheswaran (1988) encontraron que gran agitación en una lata de rotación se produce durante la parte inferior 1 / tercera parte del
ciclo de rotación.Por lo tanto, concluyeron que para el ciclo 2 / tercero superior, la agitación es muy lenta y por lo tanto la convección
natural / libre juega un papel importante en la transferencia de calor en una lata de rotación.Además, en otros estudios, se encontró
que obligó a la convección es el mecanismo dominante para la transferencia de calor para la mezcla de líquido / partículas en
lata (Dwivedi y Ramaswamy, 2010a, Meng y Ramaswamy, 2007 y Sablani et al., 1997a). . Por lo tanto, los investigadores han utilizado
generalmente una suma de convección natural y forzada para desarrollar correlaciones para los coeficientes de transferencia de calor
durante la agitación rotatoria Dwivedi y Ramaswamy (2010a) usaron la siguiente ecuación para desarrollar correlación considerando
tanto la convección natural y forzada para el análisis:
ecuación (15)
Nu=LA1(GRPR)LA2+LA3(Re)LA4(Pr)LA5(Fr)LA6(ρp/ρF)LA7(ε/(100-ε)LA8(dp/Dc)LA9(kp/kF)LA10
Gire mathjax en
Muchos estudios (Tabla 3) se han realizado sobre el coeficiente de transferencia de calor por convección en los alimentos líquidos, con
coeficientes de transferencia de calor en general incorporados (U). Rao y Anantheswaran (1988) presenta una revisión detallada sobre
esto en su estudio. Sin embargo, para los alimentos de partículas líquidas en lata este estudio es muy nuevo. Sablani et al. (1997a) han
establecido correlaciones para la convección forzada coeficiente de transferencia de calor en latas que contienen partículas líquidas y
sometidos a terminar de extremo a rotación. Su modelo se basa en la teoría de las partículas de sedimentación, y las velocidades
terminales fuera una función combinada de la gravedad, flotabilidad, centrífugas y arrastrar fuerzas. Utilizaron una cama llena de
múltiples partículas para modelar la transferencia de calor para mover el sistema de partículas líquido. Awuah y Ramaswamy
(1996)reportaron que considerar simultáneamente convección libre / forzada dio correlaciones con R más altos 2valores. Ellos
desarrollaron una correlación de coeficientes de transferencia de calor que utilizan cilindros esféricos y finitos utilizando regresiones
múltiples de grupos adimensionales estadísticamente significativas y concluyó que el material de prueba tenía un efecto significativo
en el número de Nusselt y correlaciones desarrollados. También introdujeron proporción de partículas para difusividades líquido
llamado relación de difusividad como uno de los parámetros en las correlaciones adimensionales.
Para fluidos y partículas mezclas de alta viscosidad en el modo de extremo a extremo, Meng y Ramaswamy (2007) desarrollaron las
correlaciones adimensionales utilizando transferencia de calor aparente coeficientes h ap y U una en el modo de extremo a extremo de la
agitación. Dwivedi y Ramaswamy (2010a ) utilizado números Grashoff y Prandtl para desarrollar las correlaciones para la transferencia
de calor coeficiente de predicción en líquidos newtonianos enlatados (con y sin partículas), en virtud de las transferencias de calor
mixtos y forzados de convección durante la rotación axial libre. Llegaron a la conclusión de que, en ausencia de partículas, la
transferencia de calor por convección natural tuvo lugar en tanto de extremo a extremo (47% del total de transferencia de calor) y en
modo axial libre (51% del total de transferencia de calor). En un estudio muy reciente, Cariño-Sarabia y Vélez-Ruiz (2013) compararon
los coeficientes experimentales evaluados con valores obtenidos a partir de correlaciones. Ellos encontraron que los accesorios
coeficientes no eran tan alta como se esperaba y lo atribuyeron a partículas variando la forma y propiedades de flujo de fluidos. Sin
embargo, también informaron que las correlaciones de una sola partícula fueron mejores que para múltiples partículas en un sistema
de comida de verdad.
Futuras tendencias
Los rápidos avances en la potencia de cálculo han dado un gran impulso a la utilización de técnicas de modelado de inteligencia
basado matemáticos y artificiales. Con los nuevos procesos y tecnologías de salir al mercado cada año, es necesario el desarrollo de
estas tecnologías aún más para entender diversos aspectos de los problemas de procesamiento térmico. Muchas de las técnicas
computacionales como FEMENINO, ANN, GA, etc., que requieren mayor tiempo de cálculo han sido ignorados en el pasado, pero
éstos están asumiendo mayor importancia cada día. Desarrollo en tecnología permite modelos matemáticos más rigurosos, así, que
puede simular el proceso de calentamiento y enfriamiento de mezclas de partículas líquidas con mayor precisión.
La inclusión de las ecuaciones de flujo de fluido en modelos matemáticos para observar el movimiento de líquidos y partículas está
siendo llevada a cabo por algunos investigadores (Erdogdu y Tutar, 2011 y Tutar y Erdogdu, 2012) utilizando softwares avanzados
CFD. Sin embargo, las ecuaciones de transferencia de masa aún no se pueden acoplar ampliamente con las ecuaciones de balance de
energía y el impulso, aunque algunos trabajos preliminares se ha hecho (Abdul Ghani y Farid, 2006). Estas obras también nos pueden
ayudar a observar la lixiviación de nutrientes a partir de partículas de líquido. Las correlaciones entre los coeficientes de transferencia
de masa y calor también pueden ayudar en el modelado predictivo del proceso. Además, los modelos matemáticos necesita ser
desarrollado para analizado el comportamiento de calentamiento típico de réplicas de alta agitación. Otros modelos de seguridad y
calidad de los alimentos también se pueden acoplar con estos modelos para enriquecer aún más el dominio del modelo
matemático. La degradación de la textura y los modelos de porosidad de las partículas también se pueden integrar con los modelos
actuales para agregar más valor. Además, la mayoría de los modelos actuales tienen muchas suposiciones como propiedades
constantes físicas, térmicas / temperatura del líquido uniforme y reología etc. Con el aumento en potencia de cálculo, es posible para
minimizar / eliminar estos supuestos. Modelos basados en 3-D FEMENINO también se pueden desarrollar para entender mejor el
proceso térmico. Estos desarrollos no sólo aumentará la exactitud de los modelos matemáticos de simulación, sino también aumentar
la precisión de los modelos predictivos y modelos de optimización que dependen de estos modelos matemáticos.
Dentro del dominio de modelado predictivo, la elección de las longitudes características y otros parámetros tiene que ser mirado en
mayores detalles. Correlaciones adimensionales y modelos de RNA sufren de la gran demérito de que su precisión está limitada por la
elección de los parámetros característicos y por el número de datos experimentales disponibles. Además, la precisión del modelo en sí
está generalmente validado por un subconjunto de los datos en bruto. Además, son sólo es aplicable para un estrecho rango de
condiciones. Es necesario realizar estudios más amplios en muchas condiciones diferentes para generar gráficos de mejor sin
dimensiones y modelos ANN. Además, puesto que la mayoría de los trabajos sobre ANN y modelos adimensionales generalmente
dibujar los datos de los resultados experimentales, existe la posibilidad de combinar el uso de simulaciones numéricas para generar
datos para un gran número de condiciones de funcionamiento. Recientemente, Kannan y Gourisankar Sandaka (2008) y Kurian et
al. (2009) las relaciones generadas entre el número de Nusselt y número de Rayleigh para convección natural mediante simulaciones
CFD. Se requieren más dichas obras. Estos modelos tendrán una mayor aplicabilidad y fiabilidad.
En el campo de la optimización, optimización multicriterio ha recibido poca atención. Algunos autores han estudiado la optimización
de procesamiento térmico de alimentos enlatados utilizando varias funciones objetivo (Banga et al., 1.991, Erdogdu y Balaban,
2003 y Noronha et al., 1996), pero muy poco se han hecho intentos para resolver el completa de múltiples problema de optimización
-Objetivo (es decir, para encontrar un conjunto representativo de soluciones de captura de la completa trade-off entre los diferentes
criterios). Sendin et al. (2010) han presentado recientemente un nuevo enfoque para la optimización multi-objetivo durante la
esterilización térmica. Ellos han demostrado un proceso para utilizar la optimización multiobjetivo para ambos procesos temperatura
de retorta de constantes y variables. Esto sugiere que la optimización multi-objetivo debería ser mejor utilizados para desarrollar
subrutinas de optimización más completos. Además, el uso de anestesia general en el procesamiento térmico que hay que
investigar. A excepción de control en línea, GA y otras subrutinas de optimización se pueden utilizar en muchas otras subrutinas como
la selección de las condiciones de funcionamiento optimizados (ratán y Ramaswamy,2014). GA tiene el potencial de ser utilizado para
la elección de los parámetros característicos para modelos predictivos. También, GA se puede utilizar para filtrar los datos erróneos y
algoritmo como apropiado para la búsqueda de los valores de los coeficientes de transferencia de calor durante el modelado
matemático. La simplificación de estos modelos para disminuir el tiempo de simulación que hay que investigar con más vigor.
Por último, pero no menos importante, las nuevas técnicas tienen que ser desarrollado para hacer frente a las necesidades cambiantes
de la industria de procesamiento térmico. Esta evolución debe ser en términos de variables adicionales (ex: amplitud), restricciones (ex:
una mínima pérdida de calidad debido a la agitación, de minimización de las limitaciones económicas, como los requisitos de costes y
de energía, etc.) y para el alojamiento de las variaciones más grandes en señales de temperatura debido al movimiento de
termopares. Finalmente, el objetivo de las técnicas de modelado debe ser tener el beneficio máximo al tiempo que maximiza la
calidad y mantener la seguridad del producto. Por ejemplo, con el desarrollo del modo de vaivén de agitación (Singh et al., 2015A), existe
una creciente necesidad de desarrollar técnicas y algoritmos computacionales para el modelado y la optimización de escenario rápida transferencia de calor (donde las temperaturas para F o <0.2 no puede ser ignorada ). Aunque, estos
problemas están recibiendo atención recientemente(Singh et al., 2015b), un rápido desarrollo de las técnicas computacionales es
necesario en el campo de procesamiento térmico de mezclas de líquido-partículas.
Conclusiones
Técnicas computacionales utilizados en el tratamiento térmico se pueden clasificar en tres categorías, a saber. a.) Los modelos
matemáticos para el proceso de transferencia de calor (mediante técnicas de dinámica de fluidos analíticos, numéricos y
computacionales basados), b.) Los modelos predictivos para el desarrollo de las correlaciones para predecir el proceso (usando
correlaciones adimensionales y técnicas de redes neuronales) y c). Los procedimientos de optimización para predecir condiciones de
procesamiento óptimas para diversas funciones objetivo (utilizando algoritmos de búsqueda matemáticos y evolutivos). Mientras que
las técnicas de modelado analíticos y numéricos se han empleado ampliamente para la evaluación de los coeficientes de transferencia
de calor y para una mejor comprensión del proceso, los modelos CFD proporcionan excelentes escenarios de visualización de flujo en
latas y proporcionan una mejor comprensión y entendimiento de estas situaciones. Para el modelado predictivo de los datos, las
correlaciones adimensionales se pueden desarrollar a partir de estos modelos para permitir la predicción de los procesos y alcanzar
objetivos de escalado. Alternativamente, modelos de redes neuronales también se pueden desarrollar mediante la correlación de los
resultados experimentales para desarrollar modelos predictivos. Las correlaciones adimensionales y modelos de RNA a continuación,
pueden utilizarse para la optimización de las condiciones de transformación utilizando métodos basados GA. Aunque, muchas
técnicas se han utilizado en cada una de estas categorías, sin embargo, todavía hay un enorme alcance del desarrollo de estos
dominios. Con los extensos desarrollos en las velocidades de procesamiento de los ordenadores, el alcance de la utilización de
técnicas computacionalmente más exigentes, avanzado y más sofisticados, como CFD y las técnicas de inteligencia basado artificiales,
se ha incrementado. Estas tecnologías basadas en ordenador tienen la capacidad de lograr un muy alto grado de precisión y se
pueden utilizar para simular muchos escenarios complejos. Así, en pocas palabras, el modelado de los escenarios de procesamiento se
ha vuelto muy complicado con el desarrollo de nuevos procesos y la evolución de las demandas del consumidor. Por lo tanto, es
necesario hacer un uso inteligente de todas las técnicas disponibles matemáticos para predecir y desarrollar un proceso térmico
seguro que dan productos de alta calidad.
Reconocimiento
Esta investigación fue parcialmente apoyado por fondos de la Ciencias e Ingeniería de Investigación Natural (NSERC), de Canadá.
Nomenclatura
la
Radio
Un c
Superficie de la lata
Ap
Área de la sección transversal de la partícula
Bi
Número de Biot
c pf
Capacidad de calor específico del fluido
c pp
Capacidad de calor específico de la partícula
Dr
Diámetro de la retorta
Dc
Diámetro de la lata
dp
Diámetro de partícula
Fo
Número de Fourier
F
r
Número de Froude
G
r
Número Grashoff
altura de lata
Misa de líquido,
Masa de la partícula
Número de Prandtl
Radio
Número de Reynold
La temperatura
Hora
Temperatura de líquido
Temperatura de partícula
La temperatura de la superficie de la partícula-
Temperatura de retorta
Volumen de partícula
Volumen de fluido
La difusividad térmica
Densidad de partícula
Conflictos de interés
Los autores declaran no tener ningún conflicto de intereses.