Modeling the Influence of Temperature-dependent Thermal Properties on the Freezing Front
Notice bibliographique
Résumé
Although numerical methods enable comprehensive analyses of food freezing, a thorough quantification is lacking the effects on the process introduced by uncertainties in variable thermal properties. Analytical models are, however, more suitable tools to perform such calculations. We aim to quantify these effects by developing a solution to the freezing front (FF) problem subject to temperature-dependent thermal properties and one-dimensional convective cooling. The heat integral balance method, Kirchhoff's transformation, and Plank's cooled-surface temperature equation (as a seed function) enabled us to obtain an approximate solution to the FF penetration time. To optimize model accuracy, two adjustable parameters were correlated with the inputs via nonlinear regression referenced to numerical simulation FF data. The mapped sensitivities, generated by perturbations in the temperature-dependent thermal conductivity and effective heat capacity, undergo rapid nonlinear changes for Biot numbers below 6. Above this level, these sensitivities stabilize depending on the cooling medium temperature and a thermal conductivity parameter. The median thermal conductivity-driven sensitivity is 0.348 and its interquartile range (IQR) is 0.220 to 0.425, whereas the median latent heat-driven sensitivity is 0.967 (IQR: 0.877 to 0.985). Statistical error measures and a ten-split K-fold validation support the model accuracy and reliability of the parameter estimates. Together, the model allows for gaining insights into the nonlinear behavior and magnitude of the influence of variable properties on the FF for a wide range of conditions. Nonlinear methods and prior information enable practical modeling of transport phenomena in foods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».