Modeling and thermodynamic properties of the drying of tamarind (Tamarindus indica L.) seeds

Abstract

In the present study, the objective was to fit different models to the experimental data of drying of tamarind (Tamarindus indica L.) seeds and to select the best model, to determine the effective diffusion coefficient, activation energy and thermodynamic properties for the process during drying at different temperatures. The experiment was carried out at the Laboratory of Post-Harvest of Vegetable Products of the Instituto Federal Goiano (Federal Institute Goiano) - Campus of Rio Verde, GO, Brazil. Seeds with initial moisture content of 18 ± 0.25% dry basis were oven dried with forced air ventilation, at controlled temperatures of 45, 60, 75 and 90 °C in four repetitions. Nonlinear regression models used to describe the phenomenon were fitted to the experimental data. To represent the drying of tamarind seeds, the Midilli model was selected for the range from 45 to 60 ºC and the Two terms model was selected for the range from 75 to 90 ºC. The effective diffusion coefficient increases with the increase of drying air temperature, being described by the Arrhenius equation, with activation energy of 35.16 kJ mol-1. Enthalpy and entropy decreases, while Gibbs free energy increases with increasing drying temperature.

Thermodynamic properties and bioactive compounds of mandacaru dried waste

“…The enthalpy (ΔH) showed positive values indicating an endothermic system, typical of drying processes, where energy is transferred from the air to the product in the form of heat. There was a reduction in ΔH as the temperature rose, due, according to Ferreira Júnior et al (2021), to the need for less energy to remove bound water at higher temperatures. Thus, according to Moura et al (2021), the enthalpy is related to the increase in diffusivity of the water from the inside to the surface, presenting an inverse relationship between the increase in diffusivity and the energy necessary (ΔH) to remove the water from the product.…”

“…The study of the drying kinetics and the use of empirical mathematical models allows one to predict the drying parameters and the behavior of the products, which significantly influences the operational costs and also the projects and the commercial feasibility of the drying systems (Alves et al, 2021; Silva et al, 2016). On the other hand, the thermodynamic properties have been used to calculate the energy required for the drying processes, and provide knowledge of the behavior of the water and its interaction with the other constituents of the product during processing (Ferreira Júnior et al, 2021).…”

MODELAGEM MATEMÁTICA E PROPRIEDADES TERMODINÂMICAS DA SECAGEM CONVECTIVA DA POLPA DE TUCUMÃ (Astrocaryum aculeatum)

“…Os tempos totais de processo foram de 1800, 1200, 780 e 480 min para as temperaturas de 30, 40, 50 e 60 °C, respectivamente. Foi evidente que o aumento da temperatura reduziu o intervalo de duração da secagem, com decréscimo de tempo correspondendo a 73,33%, considerando-se os extremos de temperatura, fenômeno frequentemente relatado na secagem de produtos agrícolas e gêneros alimentícios (Santos et al, 2013;Resende et al, 2018;Santos et al, 2019b;Zheng et al, 2021;Cavalcanti-Mata et al, 2020;Zhao et al, 2021;Taskin et al, 2021;Tarafdar et al, 2021;Qi et al, 2021;Mishra et al, 2021;Ferreira Junior et al, 2021). Sabe-se que incremento de temperatura ocasiona aumento do potencial de transferência de calor e massa, que resulta em elevação da taxa de secagem; assim, é de se esperar que o tempo de processo reduza (Felizardo et al, 2021;Mondaca et al, 2021;Tarafdar et al, 2021;Leite et al, 2022).…”

“…Observou-se que todos os modelos utilizados detiveram valores de R 2 superiores a 0,99, o que segundo Madamba et al (1996) indicaria ajuste adequado aos dados experimentais de secagem; assim, todos os modelos poderiam ser utilizads para a predição do fenômeno. Entretanto, vários autores afirmaram que o R 2 não deve ser o único utilizado para selecionar modelos de regressão, pois, isoladamente, não é um bom índice para selecionar modelos não lineares, uma vez que utiliza média de valores negativos e positivos, o que pode tornar os valores dos ajustes mais discrepantes (Ferreira Junior et al, 2021;Santos et al, 2019;Morais et al, 2019;Resende et al, 2018). Nesse sentido, também foram considerados o DQM e o χ 2 .…”

“…Para validar esses dois modelos, realizou-se uma comparação entre os valores de razão de umidade experimentais e os valores de razão de umidade preditos (Figura 4), a qual ratificou a adequação dos modelos para a descrição da secagem das amostras, uma vez que os dados experimentais e preditos situaram-se próximos à linha diagonal que passa pela origem, presentando a igualdade entre esses valores (Santos et al, 2019a). O modelo de Dois termos também se ajustou satisfatoriamente aos dados experimentais da secagem de frutos de baru (Resende et al, 2018), sementes de tamanrindo (Ferreira Junior et al, 2021), frutos de amora , folhas de manjericão e alfavaca (Mbegbu et al, 2021) e sementes de melancia africana (Leite et al, 2022). Por outro lado, o modelo de Midilli também se ajustou bem às curvas de secagem de grãos residuais de urucum (Santos et al, 2013), polpa de patauá (Santos et al, 2019b), polpa de bacaba (Morais et al, 2019), sementes e cascas de trapiá (Moura et al, 2021) e fatias de banana (Taskin et al, 2021).…”