Methodology for predicting oily mixture properties in the mathematical modeling of molecular distillation

M. F. Gayol; M. C. Pramparo; S. M. Miró Erdmann

doi:10.3989/gya.1051162

Autores/as

M. F. Gayol Facultad de Ingeniería, Universidad Nacional de Rio Cuarto https://orcid.org/0000-0001-9564-1983
M. C. Pramparo Facultad de Ingeniería, Universidad Nacional de Rio Cuarto https://orcid.org/0000-0002-7203-6673
S. M. Miró Erdmann Facultad de Ingeniería y Ciencias Agropecuarias, Universidad Nacional de San Luis https://orcid.org/0000-0002-9396-8111

DOI:

https://doi.org/10.3989/gya.1051162

Palabras clave:

Destilación molecular, Mezclas oleosas, Modelado, Propiedades

Resumen

Se presenta una metodología para la predicción de las propiedades termodinámicas y de transporte de mezclas oleosas multicomponentes, en la cual se agrupan los diferentes componentes de la mezcla en un número reducido de pseudocomponentes. Esta predicción de propiedades se utiliza en el modelado matemático de la destilación molecular que consta de un sistema de ecuaciones diferenciales en derivadas parciales, según los principios de los fenómenos de transporte y se resuelve mediante un método implícito de diferencias finitas mediante un código computacional. El modelo matemático fue validado con datos experimentales, específicamente de la destilación molecular de un destilado de desodorización (DD) de aceite de girasol. Los resultados obtenidos fueron satisfactorios, con un error menor al 10% en un rango de temperaturas.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Babeanu N, Nita S, Popa O, Ioan Marin D. 2016. Squalene recovery from amaranth oil by short path distillation. J. Biotechnol. 231, 10. https://doi.org/10.1016/j.jbiotec.2016.05.200

Bose A, Palmer H. 1984. Influence of heat and mass transfer resistances on the separation efficiency in molecular distillations. Ind. Eng. Chem. Fundamen. 23, 459-465. https://doi.org/10.1021/i100016a014

Cvengros J, Lutisan J, Micov M. 2000. Feed temperature influence on the efficiency of a molecular evaporator. Chem. Eng. J. 78, 61-67. https://doi.org/10.1016/S1385-8947(99)00159-X

García Solaesa A, Sanza M T, Falkeborgb M, Beltrána S, Guob Z. 2016. Production and concentration of monoacylglycerols rich in omega-3 polyunsaturated fatty acids by enzymatic glycerolysis and molecular distillation. Food Chem. 190, 960–967. https://doi.org/10.1016/j.foodchem.2015.06.061 PMid:26213062

Langmuir I. 1913. The vapor pressure of metallic tungsten. Phys. Rev. 2, 329-342. https://doi.org/10.1103/PhysRev.2.329

Martinello M, Leone I, Pramparo M. 2008. Simulation of deacidification process by molecular distillation of deodorizer distillate. Latin. Am. Appl. Res. 38, 299-304.

Micov M, Lutisan J, Cvengros J. 1997. Balance equations for molecular distillation. Sep. Sci. Technol. 32, 3051-3066. https://doi.org/10.1080/01496399708000795

Naz S, Sherazi ST, Talpur FN, Kara H, Uddin S, Khaskheli AR. 2014. Chemical characterization of canola and sunflower oil deodorizer distillates. Pol. J. Food Nutr. Sci. 64, 115–120. https://doi.org/10.2478/pjfns-2013-0008

Perry RH, Chilton CH, Kirkpatrik SD. 1963. Perry's Chemical Engineers' Handbook. McGraw-Hill. New York.

Perry RH, Green DW. 2008. Perry's Chemical Engineers' Handbook. McGraw-Hill. New York.

Perry ES, Hecker JC. 1951. Distillation Under High Vacuum. in Weissberger (Ed.) Techniques of Organic Chemistry, vol. 4, Interscience Publishers, New York, pp. 495–602.

Rossi P, Gayol M F, Renaudo C, Pramparo MC, Nepote V, Grosso NR. 2014. The use of artificial neural network modeling to represent the process of concentration by molecular distillation of omega-3 from squid oil. Grasas Aceites 65, e052. https://doi.org/10.3989/gya.0231141

Yu J, Yuan X, Zeng A. 2015. A novel purification process for dodecanedioic acid by molecular distillation. Chin. J. Chem. Eng. 23, 499-504. https://doi.org/10.1016/j.cjche.2014.10.019