Prediction of agglomeration intensity using physical and data-based models for counter-current spray dryers

Abstract

This study explores the optimization and prediction of product properties in counter-current spray drying processes, combining experimental analysis, computational fluid dynamics (CFD) modeling, and machine learning (ML) techniques. Extensive experimental data from 45 counter-current spray drying runs of maltodextrin solution were analyzed, focusing on the effects of operating conditions such as drying air swirl, gas-to-liquid ratio (GLR), nozzle positioning, and power input. Optical measurements and scanning electron microscopy (SEM) revealed that hollow spherical particles with thin crusts were formed, with puffing and agglomeration contributing to particle size variation. Results demonstrated a significant dependency on nozzle spray parameters and strong negative correlation between product moisture content and drying medium temperature. Additionally, a CFD model was developed to predict particle size distribution by incorporating a modified stochastic agglomeration model, validated with experimental data on water and milk concentrate. High-speed camera observations helped define collision regimes, which were integrated into the CFD simulations to accurately predict product properties under varying process conditions. To enhance predictive accuracy and real-time process control, ML algorithms were also employed. Various ML regression methods were trained using both experimental and CFD-generated data, achieving over 80% accuracy in predicting final product properties. This comprehensive approach combining experimental insights, CFD modeling, and ML algorithms provides a robust framework for optimizing counter-current spray drying processes, ensuring high product quality across multiple industries.

Diese Studie untersucht die Optimierung und Vorhersage von Produkteigenschaften in Gegenstrom-Sprüh-Trocknungsprozessen, indem experimentelle Analysen, Computergestützte Fluiddynamik (CFD)-Modellierung und maschinelle Lerntechniken (ML) kombiniert werden. Umfangreiche experimentelle Daten aus 45 Gegenstrom-Sprüh-Trocknungsläufen mit Maltodextrinlösung wurden analysiert, wobei der Fokus auf den Auswirkungen der Betriebsbedingungen wie Drall der Trocknungsluft, Gas-Flüssigkeits-Verhältnis (GLR), Düsenpositionierung und Energiezufuhr lag. Optische Messungen und Rasterelektronenmikroskopie (SEM) zeigten, dass hohle, kugelförmige Partikel mit dünnen Krusten gebildet wurden, wobei Aufblähen und Agglomeration zur Partikelgrößenvariation beitrugen. Die Ergebnisse zeigten eine signifikante Abhängigkeit von den Düsenparametern und eine starke negative Korrelation zwischen dem Feuchtigkeitsgehalt des Produkts und der Temperatur des Trocknungsmittels. Zusätzlich wurde ein CFD-Modell entwickelt, um die Partikelgrößenverteilung vorherzusagen, indem ein modifiziertes stochastisches Agglomerationsmodell integriert wurde, das mit experimentellen Daten zu Wasser und Milchkonzentrat validiert wurde. Beobachtungen mit Hochgeschwindigkeitskameras halfen, Kollisionsregime zu definieren, die in die CFD-Simulationen integriert wurden, um Produkteigenschaften unter variierenden Prozessbedingungen genau vorherzusagen. Um die Vorhersagegenauigkeit und die Echtzeitprozesskontrolle zu verbessern, wurden außerdem ML-Algorithmen eingesetzt. Verschiedene ML-Regressionstechniken wurden mit experimentellen und CFD-generierten Daten trainiert und erreichten eine Genauigkeit von über 80% bei der Vorhersage der Endprodukteigenschaften. Dieser umfassende Ansatz, der experimentelle Erkenntnisse, CFD-Modellierung und ML-Algorithmen kombiniert, bietet einen robusten Rahmen zur Optimierung von Gegenstrom-Sprüh-Trocknungsprozessen und gewährleistet eine hohe Produktqualität in verschiedenen Industrien.