Técnicas computacionales utilizados en estudios de transferencia de calor en mezclas de

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.

Técnicas computacionales involucrados durante el modelado de transferencia de calor de las mezclas de

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)

Al otro lado de la pared de la lata:ULAc(TR-

TF)=mFcpFdTFdt+mpcppdTpdt
Gire mathjax en

ecuación (2)

Al otro lado de la frontera líquida de partículas:mp·cpp·dTpdt=hFpLAp(TF-Tps)

Gire mathjax en

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

T*=(2la/πr)Σn=1∞(-1)n+1syon(nπr/la)e-n2π2F0 as puede Duhamel se

• entonces utiliza para

Para el caso de la transferencia de calor externo: ser manejar

transformad dependient
•
a inversa e del
para el tiempo
sistema antes de
T*=(2r/la)Σn=1∞pecadoMn-MncosMnMn-pecadoMn- original Cristo.
cosMn.pecadoMn(r/la)Mne-Mn2F0 para •
obtener la También se
solución. utiliza para
• predecir
Sin datos para
embargo, la diferentes
búsqueda condiciones
inversa experiment
transformar ales en
no siempre mismo aC
es fácil por
(transforma temperatur
ciones as de
generales desacoplam
disponibles iento.
enOzisik, 19
•
85).
En este
•
método,
Sine
una
transformad
solución
a de Fourier
paso a
se prescribe
respuesta
para BCS,
se convierte
mientras
en solución
 Técnicas de solución analítica

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.

Técnicas de solución numérica

Método de los Método de volúmenes
Método de diferencias finitas c elementos finitos d finitos e
• •
La La
ecuación (3) ecuación (3
's PDE )se
complejo se aproxima
aproxima al para
subdominio pequeños
s discretas volúmenes
(elementos) utilizando-
usando el integral de
cálculo de volumen.To
variaciones. dos los
Todas las términos
ecuaciones divergentes
de los se
elementos convierten
se a la
combinan superficie
•
mediante integrales
La ecuación (3) 's funciones derivados se aproximan en puntos
transformac utilizando
discretos (nodos) utilizando adelante, hacia atrás o diferencia
ión de el teorema
central técnicas.
coordenada de la
•
s y resolvió divergencia.
Ecuaciones desarrollados son algebraica y fácilmente
juntos. •
solucionable utilizando álgebra lineal.
• Ecuaciones
 Técnicas de solución analítica

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

Modelo de parámetros concentrados

Este enfoque sólo es válido para una sustancia térmicamente fina (con número de Biot menos de 0,1).Para ellos, la evaluación de los
coeficientes de transferencia de calor de convección se basa en la suposición de una resistencia interna despreciable. Para el modelo
de parámetros concentrados sea válida o bien h fp debe ser muy baja o el tamaño de partícula debe ser muy baja o la conductividad
térmica de la partícula debe ser muy alta. Varios investigadores (Alhamdan y Sastry, 1990, Alhamdan et al., 1990,Cariño-Sarabia y
Vélez-Ruiz, 2013, Fernández et al., 1988, Rahman y Al-Saidi, 2009, Sastry et al., 1985 y Stoforos y Merson, 1991) han utilizado este
enfoque, mientras que el estudio de sistemas con número de Biot menos de 0,1. La mayoría de estos sistemas implican el uso de
partículas de metal como el aluminio.Sin embargo, Cariño-Sarabia y Vélez-Ruiz (2013) habían informado de que la validez del enfoque
de sistema agrupado fue bastante baja, ya que no era posible aplicar esta formulación para todos los escenarios. Especialmente, no se
puede utilizar con materiales de baja conductividad térmica como alimentos reales.
Bajo el supuesto anterior, la tasa de aumento de energía térmica en el sistema de alimento se considera igual a la velocidad de adición
de calor por convección, y está formulado usando las siguientes ecuaciones:

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.

Técnicas de solución analítica

Cuando el número de Biot es mayor que 0,1, un enfoque de parámetros concentrados simple no puede ser utilizado. Por esta más
complicadas ecuaciones de transferencia de calor para "conducción de calor transitoria" será necesaria para describir el campo
variable en el tiempo y la temperatura no espacialmente uniforme en el cuerpo material. En este caso, la evaluación del coeficiente de
convección se basa en la superficie finita y resistencias internas. La solución a la ecuación (3) para una esfera, bajo condiciones de
contorno convectivas definido por las ecuaciones (4), (5) y (6) se ha dado como Ecuación (9)(Ramaswamy y Zareifard, 2.002).
ecuación (9)

T*=(2Byo)Σn=1∞[Mn2+(Byo-
1)2]pecadoMnMn2[Mn2+Byo(Byo-1)]·pecado(Mnr/la)(r/la)e-Mn2F0
Gire mathjax en

Aquí M n es la raíz n-ésima positiva de condición de contorno convectiva (Ecuación (10)).

ecuación (10)
Byo=1-Mcuna(M)
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.

Técnicas de solución numérica

En una situación de la vida real como en el envasado de alimentos, no siempre es posible proporcionar una solución analítica simple a
un problema. Por lo tanto, las soluciones numéricas proporcionan una alternativa a la solución de estos problemas. Métodos
numéricos no requieren la resolución de ecuaciones trascendentales complejas, por lo que son más adecuados a la moda la
computación moderna. Estos métodos se basan en estimaciones iterativas de temperaturas utilizando métodos aproximados. Hay tres
tipos de técnicas numéricas para estos tipos de problemas: las diferencias finitas (FD); el elemento finito (FE); y, el volumen finito (FV)
métodos. Los principios para el uso de estas técnicas para resolver la ecuación (3) para las mezclas de partículas líquidas se han
visitado en la Tabla 1 y algunas de las obras que utilizan han sido presentados en la Tabla 2. En general, los planes de FE son
computacionalmente más exigentes, mientras que los sistemas de FD son más fáciles de implementar. Sin embargo, los planes de FV
son la que garantiza la convergencia y se cree que es el más rápido.
Tabla 2.
Algunos estudios que involucran el uso de modelos matemáticos para modelar la transferencia de calor durante el
procesamiento térmico de alimentos de partículas líquidas.
Alimentos / Modelos Modo de
Alimentos agitación Resuelto Modelo Referencia
Sopas Zanahoria / Orange Quieto 3-d Solución numérica utilizando esquema FV Abdul Ghani(2006).
 Alimentos / Modelos
Alimentos
en latas
Sopas Zanahoria / Orange
en bolsas
Rodajas de piña permeables
e impermeables en el agua
Sopas Zanahoria / Orange
en latas horizontales
Partículas en forma de
hongo en CMC
Partículas en forma de
hongo en el agua
Mejillones en conserva en
salmuera
Puré de carne de cerdo en
conserva
Puré de carne de cerdo en
conserva
Latas horizontales que
contienen agua
La esterilización de los
alimentos enlatados
Liquid-partículas en el agua Quieto
Champiñones, tomates,
patatas en fluidos
newtonianos y no
newtonianos
Espárrago en solución de
NaCl al 4%
Mitades de melocotón en la
solución de azúcar
Partículas de nylon
suspendidas en solución de
CMC
Esfera y el cilindro en agua
Modo de
agitación Resuelto Modelo Referencia
(simulación CFD en PHOENICS)
Abdul Ghani et al. (2001).
Solución numérica simultánea de Masa, Energía Abdul Ghani y Farid (2006).
y equilibrio Momentum usando esquema FV
(simulación CFD en PHOENICS) Abdul Ghani et al. (2002).
Alhamdan y Sastry (1990).
Quieto Modelo de capacidad agrupado Alhamdan et al.(1990).
Modelo basado en MATLAB analítica Función
de transferencia junto con rutina de
optimización para buscar el perfil de
temperatura de retorta para el índice de óptima
Quieto calidad Ansorena y Salvadori(2011).
De orden reducido modelo FD en MATLAB
acopla con la rutina de optimización (ICRS / DS)
Quieto para el diseño de proceso térmico Balsa-Canto et al. (2002).
Optimización de rutina ICRS / DS para
Quieto problemas de control óptimo Banga et al.(1991).
2-D y 3-d simulaciones CFD de ecuaciones de
continuidad, energía y cantidad de movimiento
Quieto utilizando Ansys CFX 12.1 Boz y Erdogdu(2013).
Solución numérica utilizando esquema FD junto
con retroceso estrategia de control óptimo
Quieto horizonte para un perfil óptimo de réplica Chalabi et al.(1999).
Solución numérica utilizando esquema de FD
en Microsoft Visual Basic 6.0 junto con la rutina Chen y Ramaswamy,
de optimización basado ANN-GA para el 2002b y Chen y
procesamiento de la CRT / VRT Ramaswamy,2002c.
Control de la temperatura de retorta ANN-GA
basada múltiples rampa variables Chen y Ramaswamy(2004).
Solución analítica utilizando el enfoque de Cariño-Sarabia y Vélez-
Quieto parámetros concentrados Ruiz(2013).
3-d CFD simulación utilizando utilizando Dimou y Yanniotis(2011).
acoplados, algoritmos simples y PISO FLUIDAS
Quieto para el acoplamiento de presión-velocidad Dimou et al.(2014).
Soluciones numéricas basadas en el modelo de Dwivedi y
Rotación biaxial diferencias finitas Ramaswamy(2010a).
Quieto Optimización multi-objetivo utilizando el Erdogdu y Balaban (2003).
 Alimentos / Modelos
Alimentos
Esterilización de agua y aire
en latas
Guisantes verdes
conservados en solución de
sacarosa al 2% de NaCl y
1,5%
Aluminio en jarabe de
sacarosa
Los frijoles en agua y solutin
sacarosa
Patatas en el agua
La esterilización de 0,85% de
CMC simulación de puré de
tomate
Guisantes enlatados en agua
Partículas cilíndricas en CMC Quieto
Nylon Las partículas en CMC rotación
Puré de carne de cerdo en
conserva
Salsa de tomate en latas y
8% de suspensión de
bentonita
8% de suspensión de
bentonita
Patata y polimetilpenteno
cubos de agua
Huevos en el agua
Mezclas de líquido-partículas
Modelo en latas
Patatas conservadas en 1%
de CMC
Nylon y polipropileno esferas Fin de extremo
de agua y aceite
De aluminio en forma de
Modo de
agitación Resuelto Modelo Referencia
método complejo y ordenación lexicográfica
Quieto 2-d CFD simulación de Fluido Erdogdu y Tutar (2011).
Solución numérica basada en esquema de FD Garrote, Silva, Roa, y
End-over-end utilizando el algoritmo de Crank-Nicolson Bertone(2006).
Capacidad agrupado y Uso del teorema de
Duhamel
Rotación axial Solución numérica utilizando esquema de FD Fernandez et al. (1988).
End-sobre-End
rotación Solución numérica y el teorema de Duhamel Hayakawa etal., (1997).
Solución numérica basada en esquema FV Kannan y Gourisankar
Quieto utilizando CFD (CFX v5.7) Sandaka(2008).
2-d axisimétrica CFD simulación utilizando
Ansys V11 Kiziltas et al.(2010).
Solución numérica basada en esquema FV
utilizando CFD (CFX v5.7) Kurian et al.(2009).
End-sobre-End
Simulación numérica basada en esquema de FD Meng y Ramaswamy(2007).
Algoritmo de optimización global para el
problema convexo utilizando el algoritmo de
Quieto Tuy Miri et al.(2008).
Solución numérica basada en dirección alterna
Quieto método FD implícita en Fortran Mohamed(2003).
Solución numérica basada en Crank-Nicolson
Quieto método FD implícita en FORTRAN Mohamed(2007).
Quieto Simulación numérica basada en el modelo FD Palazoglu(2006).
3-d simulaciones CFD utilizando Ansys Inc y el
Aún así y la algoritmo simple para acoplamiento de
rotación axial presión-velocidad Ramachandranet al. (2011).
Ramaswamy et al.,
1982 y Ramaswamy et
Quieto Solución analítica simplificado al., 1.997.
Axial libre y la
rotación de
extremo a Optimización usando solución numérica basada
extremo en esquema de FD Rattan y Ramaswamy(2014).
a la rotación Soluciones numéricas basadas en el modelo FD Sablani y Ramaswamy(1999).
Quieto Enfoque de capacidades agrupados Sastry et al.(1985).
 Alimentos / Modelos Modo de
Alimentos agitación Resuelto Modelo Referencia
hongo en el agua
3-d basada FEMENINO Calor y Masa Transfer
Setas en el agua Quieto Modelo
Enfoque Tchebycheff ponderada optimización
multiobjetivo usando NBI basado en la
maximización simultánea de varios factores de
nutrientes y de calidad y la minimización del
Atún de lata Quieto tiempo de proceso Sendin et al.(2010).
Esferas de nylon en glicerina, Agitación de Singh et al.,
CMC y agua vaivén Soluciones numéricas basadas en el modelo FD 2015 y Smith,1999.
Patata y PTFE esferas de
agua y de aluminio esferas
desionizada en fluido de
silicona. Rotación axial Solución analítica Stoforos y Merson (1991).
Conservas 3,5% dispersión Solución numérica basada en esquema
de almidón de maíz Rotación axial FEMENINO usando FIDAP Tattiyakul et al.(2001).
Solución numérica usando volumen del método
Esterilización de agua y aire de líquidos (VEF) elemento junto con el
en latas Rotación axial esquema de FV mediante FLUENT 2007. Tutar y Erdogdu(2012).
Tomate / zanahoria / frijol /
Apple / purés de plátano
verde en CMC Quieto Simulación CFD utilizando CFX v5.6 Varma y Kannan (2005).
Esferas poliacetálicas y cubos Baño de agua
de agua agitado Solución numérica Weng et al.(1992).
Mesa de tamaño completo
Opciones de tabla
 Ver en el espacio de trabajo
 Descargar como CSV
Esquema de FD es el método numérico más común utilizado para mezclas de partículas líquidas (Wang & Sun, 2003). Ellos han sido
ampliamente aplicados en la transformación térmica para predecir el valor de esterilización, el tiempo de proceso, la letalidad proceso
y la retención de nutrientes de los alimentos(Tucker, 2004). Esquemas FD son más fáciles de implementar y preferido para geometrías
simples. Con respecto a la estabilidad de estos esquemas, hay dos métodos que se utilizan generalmente. El método más rápido es el
método explícito en el que los valores nodales son sustituidos por valores tomados de intervalo de tiempo anterior. Sin embargo, una
característica indeseable del método explícito es que no es incondicionalmente estable. Para los métodos de FD, el valor prescrito de
la etapa de tiempo? T debe mantenerse por debajo de un cierto límite establecido por un criterio de estabilidad, que depende de Dx y
otros parámetros del sistema (Erdogdu, 2008b). Se puede argumentar matemáticamente o utilizando segunda ley de la
termodinámica que el coeficiente de T m i y T m i + 1 debe ser mayor que o igual a cero para todos los nodos para los nodos interiores n-
dimensionales. F O <0,5 es el criterio de estabilidad para un nodo interior unidimensional, mientras que F o <0,25 es para considerar
un nodo de dos dimensiones.El criterio de estabilidad limita seriamente el tamaño del paso de tiempo? T que se puede utilizar con los
métodos explícitos. Los detalles adicionales sobre el criterio de estabilidad en los métodos explícitos está disponible en Erdogdu,
2008b y Holdsworth y Simpson, 2007 y Smith (1999). A más estable, pero computacionalmente más exigentes, el método es el
método implícito en la que los puntos nodales son reemplazados por los valores tomados al mismo intervalo de tiempo, en lugar de la
anterior. Además de estos métodos, existen varios otros métodos que se encuentran en medio de los métodos implícitos y explícitos y
se conocen como métodos semi-implícitos como método de Crank-Nicolson, el método de Jacobi, Método de Gauss-Seidel y el
exceso de relajación métodos. Sin embargo, la principal desventaja de los sistemas de FD es que los programas informáticos son
específicos para cada sistema, y necesitan ser reescritos si geometrías o condiciones de contorno cambio. Teixeira et al. (1969) fueron
los primeros en utilizar los métodos numéricos para alimentos enlatados. Utilizaron el método FD para predecir los perfiles de
temperatura transitoria durante el calentamiento por convección natural. Recientemente, los investigadores han desarrollado
programas de simulación basados en métodos FD para la temperatura de las partículas de centroderecha y predicción letalidad
durante el diseño del proceso térmico para partículas líquidas enlatados (Chen y Ramaswamy, 2002a, Chen y
Ramaswamy, 2002b, Chen y Ramaswamy, 2002c y Welty et al. , 2007). Soluciones numéricas basadas en diferencias finitas también se
han utilizado para evaluar la U y h fp para el procesamiento térmico de mezclas de partículas líquidas(Dwivedi y
Ramaswamy, 2010b, Meng, 2006, Mohamed, 2003, Mohamed, 2007, Palazoglu 2006, Sablani y Ramaswamy, 1999, Singh et
al., 2015, Singh et al., 2015b y Weng et al., 1992).
Métodos FE se han utilizado para modelar el procesamiento térmico de alimentos para bebés (Smith,1,999), alimentos irregulares
como setas (Mohamed, 2.003 y Sastry et al., 1985), los alimentos espesos y pegajosos como lasaña (Nicolai et al., 1.995) etc. Estos
modelos son con frecuencia genérico y se puede ajustar fácilmente para diferentes geometrías. Sin embargo, los métodos de FE son
computacionalmente más exigentes y se prefieren sólo cuando mallado (el procedimiento de discretización) es fácil. Meshing puede
hacerse usando el enfoque de Hrennikoff (usando la analogía de celosía para la creación de elementos) o el enfoque de Courant
(utilizando sub-regiones triangulares finitas para crear elementos) para resolver segundo orden elípticas ecuaciones diferenciales
parciales. Métodos Fe también se han utilizado para resolver problemas difíciles que implican condiciones iniciales y de contorno
estocásticos, para el análisis de perturbación o análisis de sensibilidad de la variación de los parámetros en el procesamiento térmico, y
para la estimación de las temperaturas de enfriamiento (Naveh et al., 1.983 y Nicolai y De Baerdemaeker , 1.997). Básicamente (y con
muchas salvedades), FE proporciona más grados de libertad y por lo tanto la exactitud; pero es más intensivo de la memoria. Sin
embargo, con los avances de la potencia de cálculo en estos días, esto no es un gran problema y la FE se está utilizando cada vez más,
incluso en paquetes CFD como Adina, Ansys, COMSOL Multiphysics, FEMLAB etc. Aún así, FE se considera mejor para resolviendo la
ecuación de difusión, mientras que FV se prefiere para resolver problemas de mecánica de fluidos.
Métodos FV son los más comúnmente utilizados en la técnica de módulo de transferencia de calor de varios paquetes de CFD. Debido
a la baja el tiempo de cálculo involucrados, éstos son los mejores para los problemas para los cuales los métodos FE requieren gran
capacidad de memoria y el tiempo (flujos dominados alta plazo flujo número y fuente de Reynolds). Estas condiciones son usualmente
encontradas durante el calentamiento de las mezclas de líquido-partículas. Muchos investigadores han estudiado la simulación
durante la esterilización de alimentos viscosos líquidos en lata utilizando métodos FV (AbdulGhani, Farid, Chen, y
Richards, 1999). Recientemente, los investigadores han usado este enfoque para la simulación numérica de calentamiento por
convección natural de los alimentos enlatados (Abdul Ghani etal., 2.002). Debido a que el flujo de entrar en un volumen dado es
idéntico al que dejando el volumen adyacente, estos métodos son conservadoras. Otra ventaja del método de FV es que es fácilmente
formulado para permitir mallas no estructuradas. Aparte de estos tres métodos, existen otros métodos como el método de los
elementos espectral, método de elementos de contorno, esquemas de discretización de alta resolución, etc. disponibles para la
metodología de solución numérica.
Por lo tanto, los investigadores han utilizado varios modelos analíticos y numéricos para el estudio de la transferencia de calor en
mezclas de partículas líquidas. Algunas de las obras más importantes se han puesto de manifiesto con la metodología utilizada en la
Tabla 2. En la mayor parte de estos estudios, se supone sea la simetría radial de la partícula o enfoque de revolución a lo largo del eje
y del bote en vertical para reducir el tiempo de cálculo. Sin embargo, con el desarrollo de las tecnologías computacionales avanzados,
los investigadores se centran ahora en el desarrollo de modelos en 3 dimensiones para el estudio de la transferencia de calor en
latas (Abdul Ghani, Farid, Chen, y Richards, 2001). Más recientemente, los investigadores han tratado de combinar la masa y la
ecuación de transferencia de calor al mismo tiempo para estudiar los perfiles de temperatura y velocidad durante el envasado de
mezclas sólido-líquido (Erdogdu y Tutar de 2011, Kiziltas et al., 2010 y Tutar y Erdogdu, 2012). Así, con los avances en los poderes de
cálculo, los investigadores confían en metodologías más precisas pero computacionalmente más exigentes. Con la llegada de
numerosos paquetes CFD-fáciles de usar y fáciles de usar, los métodos numéricos y analíticos están dando paso lentamente a los
estudios de simulación avanzada. Sin embargo, hay muchos grupos de investigadores todavía dependen de los métodos numéricos y
analíticos basados FD convencionales debido a su menor tiempo de complejidad y simplicidad.

El uso de la dinámica de fluidos computacional en el procesamiento térmico

Con el desarrollo de la tecnología informática, el diseño de los procesos térmicos ha experimentado un enorme desarrollo. El uso de
técnicas de modelado avanzadas, como la dinámica de fluidos computacional (CFD), reduce la complejidad en la solución de las
ecuaciones diferenciales parciales no lineales de transferencia de calor. CFD es una herramienta de modelado que puede ser utilizado
para desarrollar modelos en tres dimensiones representativo de un sistema físico y puede producir resultados con alta precisión en
menos tiempo. CFD puede simplificar la representación geométrica de los modelos, por lo tanto, también reducir el pre-
procesamiento y el tiempo de la solución.

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.

Modelos de predicción para estudiar el efecto de las variables de proceso

Modelado de procesamiento térmico de alimentos es una tarea complicada debido a la escasez de conocimiento sobre los
mecanismos, dificultad en la experimentación y la obtención de numerosos datos fiables y las incertidumbres sobre las propiedades de
los alimentos. El objetivo principal del proceso de los alimentos es la seguridad del producto, el establecimiento de procesos y
operaciones de escala en la industria. Para lograr esto, los investigadores han desarrollado varios modelos de predicción para
relacionar los coeficientes de transferencia de calor con variables de producto y proceso, sin la necesidad de experimentos
reales (Sablani, 2.007). Hemos discutido aquí algunas de las diferentes técnicas de modelado de predicción como la correlación sin
dimensiones y las redes neuronales artificiales, que se han utilizado en el tratamiento térmico de mezclas de partículas líquidas.

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

Glicerina (axial fija) Nu = 29 (GRPR) -0,02 +

0,22 ≤ Gr / (Re) 2 ≤
13.51 (axial libre) 0,27
≤ Gr / (Re) 2 ≤ 16.69 h fp (axial fija -
(axial fija)
Los frijoles y de aluminio
en el agua y una solución
de sacarosa con agitación π (6Vp / π) 02.03 / Ap ≥
axial 1 h fp
Guisantes enlatados en 63 ≤ Re ≤ 205, 2,39 ≤ U (partícula
NaCl bajo modo de EOE Pr ≤ 2,6
F o <0,03
CFD simulación del modelo F o> 0,03; 300 <Ra <5,5
alimentos enlatados × 10 5
3800 <Ra <7900
7900 <Ra <31027
CFD simulación del modelo 1034 <Ra <Ra K
alimentos enlatados Ra K <Ra <31027
0.03306Re 0.66 Pr 0.49 Fr-
U (axial libre - 0.1635
(ρ p / ρ l) 0,42 (ε / (100 -
natural) ε)) 0.009 (d p / D c) -0,7
U (axial fija - Nu = 7,12 Re 0,41 Pr 0.184 (ρ p/ ρ l) 0.8 (ε
forzada) / (100 - ε)) 0.04
Nu = 0,07 (GRPR) 0,37 +
0.0379Re 0.5 Pr 0,43 Fr -
U (axial fija - 0,06
(ρp / ρ l) 0,6342 (ε / (100-ε)) 0.012(d p /
natural) D c) -1,27
Nu = 0,0723
h fp (axial libre Re 0,69 Pr 0,5 (ρp / ρ l) 0.47 (e / (100 -
- forzada) e))0.01543 Fr -0,20
Nu = 20 (GRPR) 0,01 +
0.00955Re 0.72 Pr 0.56 Fr-
h fp (gratis axial 0.195
(ρ p / ρ l) 1.165 (ε / (100-
- natural) ε)) 0.022 (d p / D c) -1,05 (K p / K f) 2.26
Nu = 0,0723 Re 0.67 Pr 0.57 Fr-
h fp (axial fija - 0,03
(ρ p / ρ l) 0.4 (ε / (100-ε))0,01 (d p /
forzada) D c) -1,1
Nu = 0,07 (GRPR) 0,37 +
0.078Re 0.5 Pr 0.045 Fr -
0,06
(ρp / ρ l) 0.619 (ε / (100-ε)) 0.009(d p /
natural) D c) -1,12 (K p / K f) 0.48
Nu = 2,7 × 10 4 Re 0,294 Pr0.33 ψ 6.98 Fernandezet al. (1988).
h fp(partícula
múltiple) Nu = 3,98 Re 0,612 Pr -0,35 (hs / H) 0.655
múltiple) Nu = 8,07 Re 0,331 Pr -0,30 (hs / H) 0.350 Garrote et al. (2006).
Sub-crítico régimen: Nu s = 1,78
F o -0.45
Super-crítico régimen: Nu r = 1,05 Kannan y Gourisankar
h fp Ra r 0.16 - ,2 Ra r 7,96 Mo -0,5 Sandaka(2008).
Vertical
intermedia Nu = 1 + 0.71 (Ra rv - 1) 0,77
Inversión
Vertical Nu = 1,38 (Ra ri) 0.35
Inclinado
intermedio (de Nu = 0,78 (Ra ri) 0,36 (1,36 pecado
0-90 °) ɵ + cos ɵ ) 0.46
Inversión Nu = 0,86 (Ra ri) 0,36 (1,11 pecado ɵ Kurian et al.(2009).
 Las condiciones Correlación
experimentales Limitaciones / Validez para: Correlación adimensional Referencia
inclinada (de + cos ɵ ) 0.43

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,

51,71 ≤ ≤ Pr 513.60, 1.37 * 10 -3

≤Fr ≤ U (partícula en
0,13 glicerina) Nu = 0,09 Re 0,57 Pr 0.478 Fr-0.119
1,21 ≤ Re ≤ 1,97 * 10 4,

51,71 ≤ ≤ Pr 513.60, 3.83 * 10 -4

≤Fr ≤ h fp(partícula Nu = 0.020 Re 0,53 Pr 0.451 Fr-
0,11 en glicerina) 0.113
(ρ p / ρ l) 0,446 (L c / D c)1,18
2,44 ≤ GRe≤2.42 10
Nylon, Teflon y * 3, * 10 2,31 2 ≤ GPr≤4.32 * U (partícula en Nu = 0,099 G Re 0,62 GPR
polipropileno esferas en 10 3, 1,37 * 10 -3 ≤Fr ≤ 0,13 CMC) Fr0.276 (V p / V c) 0,091 (ρ p / ρ l)0.286
alta glicerina viscosa y Nu = 0,014 G Re 0.613 GPR0.383 Fr -
solución de CMC en el 0,08 ≤ GRe≤1.77 * h fp(partícula 0.213
(V p / V c) 0,182(ρ p / ρ l) 0,518 (L c / Meng y
modo de EOE 10 3, 3,83 * 10 -4 ≤Fr ≤ 0,11 en CMC) D c) 1.131 Ramaswamy(2007).
5.2 * 10 2 ≤ Re ≤ 5.4 *
10 5, 2.6 ≤Pr ≤ 90,7 U (partícula) Nu = 0,93 Re 0,51 Pr -0,36 (h s/ H) 0,21
h fp(partícula
5,32 * 10 -4 ≤Fr ≤ 2,13 esférica Nu = 2 + 1971Fr 0.31 Pr 0.33 a0.34 (h s /
* 10 -3 individual) H) 1,56 ((Dr + DC) / Dc) 0.21
h fp(partícula

44 ≤ Re≤ * 1.39 * 103, cilíndrica

2,6 ≤ Pr ≤ 78,3 individual) Nu = 7,26 Re 0.42 Pr 0.33 a1.12
h fp(partícula

44 ≤ Re≤ * 1.39 * 103, cúbica

2,6 ≤ Pr ≤ 78,3 individual) Nu = 8,03 Re Pr 0.33 a 1.63

Polipropileno, nylon, 1.7 * 10 4 ≤ Re ≤ 5.4 * U (partícula Nu = 0.71Re 044 Pr 0.36 (ε / (100 -

acrílico, Delrin, teflón en el 10 5, 2,6 ≤ Pr ≤ 90,7 múltiple) ε)) 0,37 (DE / D c) -0,11ψ 0.24
agua y el aceite en el modo 28 ≤ Re ≤ 1,55 * 105, 1,18 h fp(partícula Nu = 0.71Re 0,61 ψ 0.23 (ε / (100-
EOE * 10 3
≤ Pe ≤ 7,71 * 10 3 múltiple) ε)) 0.067 (d p / D c) -0,70(k p / k f) 1,98 Sablani et al.(1997a).
Mesa de tamaño completo
Opciones de tabla
 Ver en el espacio de trabajo
 Descargar como CSV

Elección de las variables adimensionales

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.

Forzado y convección libre

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.

Redes neuronales artificiales

Redes Neuronales Artificiales (RNAs) son básicamente modelos informáticos, los cuales están inspirados biológicamente por la función
del cerebro humano. Similar al cerebro, modelos de RNA modifican constantemente a sí mismos durante la fase de aprendizaje a
partir del conjunto proporcionado de variables de entrada / salida hasta que son capaces de generar resultados satisfactorios
predictivos.RNAs son muy aplicable a los sistemas complejos, como los alimentos, ya que no es necesario ningún conocimiento previo
sobre el mecanismo del proceso y se basan únicamente en la relación entre los datos de entrada y de salida. Modelos ANN pueden
sustituir los datos que faltan, así como se puede superar las inconsistencias en los datos, haciéndolos más flexibles en comparación
con otros modelos empíricos.Modelos ANN también pueden acomodar los sistemas de entrada múltiple y salida múltiple al mismo
tiempo. Ciertamente, esto hace ANN como una excelente opción para su uso en el cálculo de procesamiento térmico cuando
correcciones en la línea de control de procesos y de fallo se desean(Goncalves, Mínimos, Coimbra, y Mínimos, 2005). Además, no
requieren información sobre propiedades termo físicas del producto en absoluto, que puede variar en alimentos reales. Sin embargo,
la principal desventaja de los modelos ANN es que es difícil de extraer el proceso de ir por debajo con respecto a las decisiones de la
ANN está haciendo (se puede hacer, pero no es tan sencillo como otros algoritmos).Además, los modelos ANN no son portátiles y son
específicos para el sistema para el que se hacen.
El funcionamiento de ANN se divide principalmente en tres partes: la selección y optimización de los parámetros distintos, la
formación o el aprendizaje de un conjunto de datos experimentales y, por último, la validación de otro conjunto o subconjunto de los
datos experimentales. Modelos ANN requieren datos de la configuración experimental para la que se deben hacer predicciones, y por
lo general estos modelos no se pueden ampliar para predecir datos para otras condiciones de funcionamiento y las propiedades del
producto como la forma, la densidad, concentración, etc Más detalles sobre el funcionamiento de ANN y procedimientos involucrado
en el desarrollo de un modelo se pueden encontrar en la literatura (Baughmany Liu, 1995). Muchos investigadores han desarrollado
modelos de predicción de procesamiento usando RNAs térmicas. Algunos de éstos se discuten para explorar los beneficios del uso de
la inteligencia artificial.
Sreekanth, Ramaswamy, Sablani y Prasher (1999) desarrollaron modelos ANN para la evaluación del coeficiente de transferencia de
calor de la superficie para hacer frente a problemas de conducción de calor inversas con la esfera y un cilindro finito. El error asociado
con el modelo desarrollado fue casi insignificante (<3%) con los calculados utilizando técnicas numéricas / analítica convencionales. Se
desarrollaron modelos ANN para predecir los parámetros de evaluación de procesos térmicos, g (diferencia entre retorta y la
temperatura del producto en el momento de vapor-off) yf h / U (proporción de tiempo necesario para la reducción de un log en la
diferencia de temperatura a la letalidad requerido)(Mittal y Zhang, 2002). Los parámetros f y g h / U se utilizan para predecir el tiempo
de proceso térmico y la letalidad proceso térmico respectivamente, mientras que usando métodos de fórmula. El cambio de
temperatura necesario para la curva de destrucción térmica para reducir un ciclo log (z), factor de calentamiento lag (j ch) y f h / U eran
variables de entrada que se utilizaron para predecir g, mientras que z, jch y g eran insumos para predecir f h / T. Los datos disponibles
de los estudios anteriores se utilizaron como insumo para el modelo ANN para el aprendizaje, así como para probar la precisión de la
predicción.Predijeron valor de g y f h / T con el error absoluto medio <2%.
Afaghi y Ramaswamy (2001) desarrollaron el modelo ANN utilizar el método Stumbo para los cálculos de procesos térmicos y
compararon el método Stumbo con el método de bola utilizada anteriormente porSreekanth et al. (1999). Aparte de g y f h / modelo T,
Stumbo también requiere el valor de enfriamiento factor de retardo (j cc). Así j cc fue otro parámetro considerado en este
modelo. Modelos de bolas basados Ann había un error promedio de 1% de los datos de validación establecidos mientras que los
modelos basados Stumbo ANN tenían un poco más alto promedio de error de 3% para el tiempo de proceso y cálculos de letalidad
proceso. El menor tamaño de conjunto de datos y una gama más amplia de parámetros asociados con mesas Stumbo fueron
considerados como la causa de los errores más altos asociados con los modelos Stumbo basados ANN. Afaghi, Ramaswamy y Prasher
(2001) utiliza el modelo ANN para comparar la efectividad del modelo de Pham, además de método de cálculo proceso de Stumbo. Se
encontró que el error asociado con los modelos ANN desarrollados a ser menor que la predicha utilizando Pham o modelo de
Stumbo. Por lo tanto, se ve que modelos de RNA demuestran un buen potencial para la aplicación en los cálculos de proceso con
ventajas de exactitud, simplicidad e incluso en línea compatibilidad.
En otro trabajo (Sreekanth, Chen, Sablani, Ramaswamy, y Prasher, 2000), la eficacia de ANN modelos basada en la predicción de los
datos factoriales completos a partir de los datos fraccionarios correspondientes a algunos de los diseños experimentales de uso
común como L8, L9, L15, Se evaluaron L18, Box y Behnken esquemas etc. En general, se encontró que ANN asistido L8, Box y Behnken,
L15, L18 y diseños predijo los datos factoriales completos razonablemente bien con errores menores al 5%.
Chen y Ramaswamy (2002a) estudiaron el modelado dinámico del procesamiento de réplica utilizando dos enfoques de redes
neuronales (movimiento de ventana y de red neuronal híbrida). Modelo fue desarrollado para modelar la letalidad media acumulada y
retención media de calidad bajo procesamiento constante la temperatura de retorta. Ambos se encontraron modelos de redes
neuronales significativa para describir la letalidad media y la retención de la calidad. Sin embargo, se ha observado que requirió
número de neuronas en la capa oculta y se ejecuta de aprendizaje para la formación era más en el caso de modelos de RNA de
ventana móvil que los modelos de RNA híbridos.
Sablani et al. (1997b) aplica los modelos de redes neuronales, entrenado utilizando datos de un programa de diferencias finitas, para
predecir las condiciones de procesamiento térmico óptimo, es decir, para predecir las temperaturas de esterilización óptimas, lo que
resultó en menos degradación de la calidad.Sablani, Ramaswamy, Sreekanth y Prasher (1997c) comparó los modelos ANN con
modelos sin dimensiones convencionales para modelar el fluido de partículas de transferencia de calor en el procesamiento de la
agitación y encontró los primeros a ser más precisa y versátil. Desarrollaron las redes neuronales de propagación de alimentación de
múltiples capas hacia adelante hacia atrás con siete entradas y dos variables de salida (neuronas) para una sola partícula en una lata, y
de seis entradas y dos variables salidas (neuronas) para múltiples partículas en una lata.
Dwivedi y Ramaswamy (2010b) desarrollaron modelos ANN para el coeficiente global de transferencia de calor y el fluido de
coeficiente de transmisión térmica de las partículas en los fluidos newtonianos enlatados con y sin partículas, y las actuaciones modelo
en comparación con las correlaciones adimensionales para los modos axiales libres y fijos de agitación. Se calculan los errores
promedio en el cálculo de coeficiente de transferencia de calor total predicho y el fluido de coeficiente de transferencia de calor de
partícula como una función de las variables ANN es decir, número de capas ocultas, el número de neuronas en cada capa oculta, regla
de aprendizaje, la función de transferencia y número de aprendizaje carreras. Valores de error no fueron significativamente diferentes
con el número de capas ocultas entre uno y tres, y el mínimo con una capa oculta y 8 neuronas en cada capa. La media de errores
relativos con modelos de RNA fueron muy bajas en comparación con las correlaciones adimensionales, es decir, la reducción de un
75-78% observado para que el fluido de transferencia de calor partícula coeficiente h fp y 66% para el coeficiente global de
transferencia de calor U en modo axial fijo y libre con partículas en el líquido. Sin embargo, sin partículas, en comparación con las
correlaciones adimensionales, el error para los modelos Ann era 37% menor en el modo de extremo a extremo y 76% menor para el
modo axial libre.En general, los modelos ANN rindieron mucho mayor R 2 valores que correlaciones adimensionales.Teniendo en
cuenta los parámetros que intervienen en el procesamiento térmico de temperatura de retorta constante y variable.
Chen y Ramaswamy, 2002a, Chen y Ramaswamy, 2002b y Chen y Ramaswamy, 2002c han desarrollado modelos para la temperatura
de retorta constante y procesamiento térmico réplica variable usando redes neuronales. Se desarrollaron modelos de tiempo de
proceso, la retención de calidad media, el valor de cocción de superficie, el consumo de energía equivalente, diferencia de
temperatura final en el centro de la lata, y la relación de letalidad. Los datos correspondientes a los modelos ANN formación y las
pruebas se obtuvieron de un programa de simulación por ordenador FD. Se encontraron modelos de predicción basados en ANN ser
muy eficiente para describir la relación entre la entrada / variables de salida (R 2> 0,98).
Para el procesamiento de réplica variables,
utilizaron con tiempo de rampa y las temperaturas paso como entrada en cuatro etapas consecutivas de procesamiento retorta y
llegaron a la conclusión de que en comparación con la réplica constante proceso de réplica variables podría mejorar el tiempo de
proceso de manera significativa. Del mismo modo, durante finales de extremo a procesamiento de partículas en los fluidos
viscosos, Meng y Ramaswamy (2010) llevaron a cabo estudios sobre el modelado de la red neural en una retorta rotativa a escala
piloto. Una parte de los datos experimentales obtenidos para los coeficientes de transferencia de calor asociados se utilizaron para la
formación, mientras que el resto se utiliza para la prueba. Los parámetros de configuración óptimas de los fluidos newtonianos eran
dos capas ocultas, cinco neuronas en cada capa oculta, la regla de aprendizaje delta, una función de transferencia sinusoidal y 40.000
carreras de aprendizaje, mientras que para los fluidos no newtonianos, una capa oculta, seis neuronas en cada se obtuvo capa oculta,
la regla de aprendizaje delta, una función de transferencia tangente hiperbólica y 50.000 carreras de aprendizaje. Los modelos de RNA
desarrollados fueron significativamente mejores que los obtenidos a partir de las correlaciones adimensionales. También incluyen
soluciones algebraicas en sus resultados, que podrían ser utilizados para predecir los coeficientes de transferencia de calor sin
necesidad de una ANN.

Optimización en el procesamiento térmico

El tratamiento térmico es uno de los sistemas más complejos para estudio de optimización. Uno tiene que considerar la eficacia del
tratamiento térmico en términos de destrucción microbiana y el deterioro de la calidad del producto a la vez, debido a la aplicación de
calor. Los modelos predictivos, técnicas computacionales y simulaciones CFD son desarrollados para modelar sistemas alimentarios
para la satisfacción de la variedad de los objetivos de procesamiento térmico, como la selección de la condición óptima de
procesamiento, lo que maximiza la calidad del producto, etc. Tradicionalmente, los problemas de optimización de proceso térmicos se
resuelven en dos pasos. En primer lugar, se trata de desarrollar la función objetivo del problema utilizando métodos matemáticos,
métodos de regresión, el análisis teórico y ecuaciones diferenciales; y la segunda, es decir, utilizando un método de búsqueda
apropiado para la búsqueda de valores óptimos de diferentes variables. Es una tarea compleja para desarrollar un modelo integral de
predicción que puede cubrir todas las variables de manera simultánea en los rangos disponibles de variables. La diversidad de los
objetivos de procesamiento térmico imponer diferentes requerimientos óptimos para el proceso de esterilización, lo que puede
determinarse por procedimientos analíticos o numéricos y / o basado en un sofisticado software (Abakarov y Nuñez, 2013). También,
el número de métodos ha sido desarrollada para la predicción de la calidad y el microorganismo de degradación para el
procesamiento térmico de temperatura constante. Debido al desarrollo de técnicas de inteligencia artificial, como ANN y Algoritmos
Genéticos (GA), sistemas de modelado y optimización se hace fácil, sobre todo en situaciones que implican enfoques matemáticos no
lineales y complicadas en comparación de los métodos convencionales.
Durante las últimas cuatro décadas diferentes técnicas de optimización se han llevado a cabo para optimizar la calidad y la seguridad
de los procesos térmicos (Erdogdu, 2008a). Holdsworth (1985) ha presentado una revisión general de los modelos matemáticos para
optimizar los efectos de los productos alimenticios de procesamiento térmico. Estos estudios se centró en la destrucción microbiana, la
destrucción de nutrientes, el valor de cocción y la pérdida de calidad. Durance (1997) también detallada sobre los procedimientos de
optimización adoptó mejorar la calidad de los alimentos durante el enlatado temperatura de retorta variable. Banga et
al. (2003) presentó el asistido por ordenador técnicas de optimización utilizados para mejorar el procesamiento de alimentos, en el
contexto de los acontecimientos recientes que utilizan técnicas de optimización modernas. Su potencial para aplicaciones industriales
se discutió con el uso de varios ejemplos importantes. Por último, las tendencias futuras y necesidades de investigación se describen
en el estudio también. Erdogdu (2008b) ha evaluado los posibles usos y las limitaciones de las técnicas de optimización para la
elaboración de alimentos, incluidos los métodos convencionales, inteligencia artificial - Algoritmos genéticos métodos basados,
optimización multi-objetivo procedimientos, y la dinámica de fluidos computacional basada técnicas.
Teixeira et al. (1969) fueron los primeros que desarrollaron el modelo FD para la optimización del procesamiento térmico de alimentos
de calefacción conducción. Desde entonces, varios otros investigadores han realizado estudios similares en esta
zona (Sastry et al., 1.985). Los métodos de búsqueda de optimización fueron descritos por Saguy (1983), quienes evaluaron los perfiles
óptimos de temperatura y tiempo utilizando el principio del máximo. Edgar y Himmelblau (2001) han sugerido que la programación
no lineal es mucho mejor en términos de eficiencia en comparación con el principio del máximo para la muchas variables
problemas. Banga, Pérez-Martin, Gallardo y Casares (1991)desarrollaron un algoritmo de optimización, integrado de control aleatorio
Buscar (ICRS / DS) para la réplica variable de proceso térmico y probados estos algoritmos para maximizar la retención de nutrientes
en general y el factor de calidad a la superficie de la comida, y para minimizar el tiempo de proceso. Este modelo posterior ha sido
utilizado por diversos investigadores (Balsa-Canto, Banga, y Alonso, 2002) para la solución de diversos problemas de
optimización. Aparte de esto, los sub-rutinas basadas varios MATLAB (Alonso et al., 2013, Ansorena y Salvadori, 2011 y Balsa-Canto et
al., 2002) son también muy populares.
El control predictivo línea en el procesamiento de alimentos enlatados está ganando popularidad en estos días. Rutinas de
optimización se han aplicado de manera eficiente para lograr este objetivo de obtener productos de mejor calidad. Chalabi,
Willigenburg y Straten (1999) propuso la aplicación en línea de una solución de control óptimo para la esterilización térmica. Sin
embargo, el controlador sólo hizo uso del modelo de transferencia de calor para el producto sin tener en cuenta la dinámica de la
retorta. Problemas similares fueron considerados por Balsa-Canto et al. (2002) para explorar las potencialidades de optimización
dinámica de los modelos de orden reducido basado en POD (Proper descomposición ortogonal) expansiones de la ecuación de
transferencia de calor del producto. Más recientemente, los problemas de control óptimo para la esterilización térmica orientada a la
maximización de la calidad han llevado a cabo en el contexto de la optimización multi-objetivo (Abakarov et al., 2009, Erdogdu y
Balaban, 2003 y Sendin et al., 2010) optimización local y global, algoritmos (Ansorena y Salvadori, 2011, Chen y
Ramaswamy, 2002b, Chen y Ramaswamy, 2002c, Enitan y Adeyemo, 2011 y Miri et al., 2008), y las técnicas de búsqueda de
adaptación (Miri et al., 2008 y Simpson y Abakarov, 2011). Desde el punto de vista de control, métodos avanzados basados en
modelos predictivos de control (MPC) son el marco adecuado capaz de producir perfiles óptimos de temperatura y presión en un
entorno incierto (Banga,Balsa-Canto, y Alonso, 2008). Alonso et al. (2013) han presentado un método de optimización en tiempo real
para el control de calidad de los lotes de la esterilización térmica de los alimentos preenvasados.
Aparte de las técnicas de optimización numérica, los algoritmos evolutivos también se han utilizado para la optimización de procesos
térmicos en forma de algoritmos genéticos enfoques basados en (Enitan y Adeyemo, 2011). Los algoritmos genéticos (GA) utilizan
técnicas biológicamente inspirados como la herencia genética, la selección natural, la mutación, y la reproducción sexual. Algoritmo
genético es una optimización y búsqueda técnica combinatoria, para obtener el valor óptimo de la variable de entrada para obtener la
salida deseada de un proceso. Principio de funcionamiento básico del GA es crear una función para un problema complejo, que tiene
que ser optimizado para una población de cromosomas. Además, el gas se puede utilizar modelos de RNA como su función de
guía. GAs son una de las técnicas de optimización más comúnmente utilizados y se han utilizado ampliamente en diferentes facetas de
procesamiento de alimentos (Chtioui et al., 1998 y Morimoto et al., 1997). Sin embargo, un trabajo muy limitada se ha hecho uso de
GA como una técnica de optimización en el campo del procesamiento térmico.Esto es principalmente porque no hay seguridad
absoluta de que un algoritmo genético se encuentra un óptimo global. Sucede muy a menudo cuando la población es muy grande, lo
que es una realidad en el procesamiento térmico de partículas líquidas. Sin embargo, hay técnicas disponibles (ej. Combinación de
algoritmo genético con otro método de búsqueda) que aseguran los mínimos global para un gran número de escenarios. Esta
propiedad algoritmo genético desafortunado limita el uso de los algoritmos genéticos 'en aplicaciones de tiempo real. Además, al
igual que otras técnicas de inteligencia artificial, la GA no puede garantizar la optimización de los tiempos de respuesta
constantes. Por lo tanto, no es razonable utilizar algoritmos genéticos para el control en línea en sistemas reales sin probar primero en
un modelo de simulación. Sin embargo, uno de los estudio muy útil para CRT (temperatura de retorta constante) la optimización de
procesamiento térmico se llevó a cabo por Chen y Ramaswamy (2002b), que evaluó la aplicación de algoritmos genéticos para la
optimización de la temperatura de retorta constante (CRT) de procesamiento térmico. En su estudio se acoplan las modelos ANN y GA
para buscar la retención óptima calidad y la temperatura de retorta correspondiente, e investigaron los efectos de los principales
parámetros de condiciones de procesamiento tanto en temperatura de retención calidad y réplica óptima.En la continuación de su
investigación (Chen y Ramaswamy, 2002c) seleccionaron su objetivo de optimizar proceso térmico réplica variable usando enfoque
GA. El objetivo de su estudio fue desarrollar procedimientos basados ANN-GA para la selección del perfil de temperatura de retorta
óptimo en varias etapas de control de temperatura (MRV) de retorta rampa variable para optimizar el procesamiento
térmico. Utilizaron ANN para el desarrollo de modelos de predicción dinámicos de tiempo de proceso, la retención de calidad media y
el valor cocinero superficie. GA-ANN procedimiento de optimización basada también se ha utilizado para la búsqueda de la mejor
combinación de secuencia rampa de réplica para dar un perfil de temperatura variable continua que logra el objetivo de optimización
bajo limitaciones impuestas condiciones (Chen y Ramaswamy, 2004). Estas pocas obras demostrar que a pesar del número limitado de
estudios, GA tiene el potencial para ser desarrollado y utilizado ampliamente como un posible algoritmo para la optimización del
proceso durante el procesamiento térmico.

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

Coeficiente de transferencia de calor por convección (U o h fp)

Puede espacio de cabeza

altura de lata

-Fluid a partícula coeficiente de transferencia de calor

La conductividad térmica del fluido

La conductividad térmica de la partícula

Longitud característica;

Primero raíz de la solución particular

Misa de líquido,

n º raíz de la solución particular

Masa de la partícula

Número de Prandtl

Radio

Número de Reynold

La temperatura

Hora

Relación de la temperatura adimensional, (T p - T f) / (T i - T f)

Temperatura de líquido

Temperatura de partícula
 La temperatura de la superficie de la partícula-

Temperatura de retorta

En general, el coeficiente de transferencia de calor

Volumen de partícula

Volumen de fluido

La difusividad térmica

Fracción de volumen de partículas de líquido

Densidad del fluido

Densidad de partícula

Esfericidad de las partículas

Conflictos de interés
Los autores declaran no tener ningún conflicto de intereses.