啤酒是中国主要消费的酒类之一,对产品质量与感官特性的要求不断提升[1]。隧道式喷淋巴氏杀菌作为最常用的啤酒杀菌方式,广泛应用于全球生产线[2]。该工艺传统参数设计多依赖实验手段,存在周期长、能耗高、温度场难以获取等问题,限制了工艺优化效率;同时喷淋式杀菌过程的换热特性导致啤酒内部出现最慢加热区(slowest heating zone,SHZ),存在杀菌不足或者过度杀菌等工艺难点[3-4]。

巴氏杀菌法是一种在较低温度条件下杀死病原微生物并保持食品营养与风味物质不变的杀菌方法,目前广泛应用于啤酒、牛奶、果汁等液体食品[5-7]。针对啤酒巴氏杀菌效果,许多学者从热力-传热学理论与实验计算角度开展了研究[3,8],但仍存在与实际结果偏差较大的问题。

计算流体力学(computational fluid dynamics,CFD)以其仿真结果直观、预测性强等优点已广泛应用于啤酒杀菌及其相关领域[9-12]。多位学者结合CFD模拟与实验分析探讨了包装材料[13]、容器厚度[14]、操作条件[15]及压力变化[16]对巴氏杀菌过程中热传递的影响。然而,目前尚未对高精度杀菌模型的建立、啤酒初始温度、各温区喷淋水温度等关键参数的对比分析开展深入研究,而这些因素对杀菌效率和产品质量产生直接影响;同时,基于其他应用食品巴氏杀菌技术的相关研究[17-20],自然对流导致的SHZ对于啤酒的杀菌均匀性也至关重要。

本研究以隧道式啤酒喷淋巴氏杀菌为对象,建立热-流-固耦合模型,通过调整流体几何厚度并结合实验确定最优模型。基于该模型,模拟不同初始温度和喷淋水温对杀菌过程的影响,分析空间杀菌不均性,首次引入变异系数(coefficient of variation,CV)和杀菌强度偏差系数(modified lethality deviation,MLD)等统计方法量化该现象。研究为完善啤酒换热不均匀提供理论基础,以期为隧道式喷淋巴氏杀菌工艺优化提供理论参考与方法支持。

1 材料与方法

1.1 材料

啤酒及包装罐体为市售330 mL罐装啤酒。

1.2 仪器与设备

YJL120J隧道式喷淋啤酒巴氏杀菌机(喷淋区域总长度23.05 m,宽度4.8 m,预热及冷却区长度1.72 m,加热及保温区长度3.18 m,总喷淋面积110.65 m2),合肥中辰轻工机械有限公司;PU-2000罐用温度累计巴氏杀菌单位(pasteurization unit,PU)仪,荷兰HAFFMANS公司;Intel(R) Xeon(R) E5-2680v4计算机,英特尔公司;RAM Samaung 128 GB内存,三星电子公司。

1.3 实验方法

1.3.1 啤酒杀菌效果测定

选取已罐装啤酒样品5组,按照实际生产过程中的密集布置方式放置于运输网链上,形成单层外围6罐、中心1罐的7罐类典型二维最密排列。基于该速率涵盖该型号巴氏杀菌设备对应设计产量4.29～8.89 万罐/h,实验中设定网链输送速度为0.4～0.8 m/min。

为满足喷淋口处可形成均匀锥型水雾的流量压力,实验喷淋水流量恒定为9 L/min,此条件可在温区内罐体外均形成连续稳定水膜,基于该流量及喷淋头个数,预热及冷却区总流量为1 656 L/min,加热及保温区总流量为3 096 L/min。

为控制啤酒升温速度,防止升温过快引起瓶内压力快速提高,喷淋水不同温区温度控制范围为25～66 ℃。啤酒罐自设备入口以设定速度匀速通过喷淋区,外部喷淋水膜实现对罐体的强制对流换热。实验过程中,将专用PU值记录仪布置于中心罐体内部,对罐内平均温度及PU值进行实时监测,数据采样间隔为10 s。实验结束后,将仪器导出的温度与PU数据进行处理和对比分析,以评价不同喷淋条件下的传热与杀菌效果。

PU值的计算如公式(1)所示:

(1)

式中:时刻啤酒平均温度,℃;Ti,i时刻持续时长,s。

1.3.2 物理模型建立

本研究主要探究均匀喷淋环境下单个已完成灌装的啤酒杀菌过程中的液体流动及传热分析,如图1所示,针对单个已灌装啤酒进行物理模型建立并采用市场上所售的330 mL罐装啤酒几何模型,直径D=66 mm,高度L=130 mm,成型罐体平均厚度为0.15 mm。同时,为了在不降低仿真及预测精度的情况下提高仿真效率[15],对整体模型通过中心轴取二维对称平面,喷淋模型如图1所示。模型各部分材料物理属性[21]见表1,其中啤酒在工况温度内的热膨胀系数β近似为水,在同等温度下β=4.44×10-4[22]。

根据实际隧道式喷淋巴氏杀菌过程中喷淋水与罐体内外换热的实际情况,对该仿真模型同一温区内的环境提出假设[23]:①同一温区内喷淋水均匀且最终温度相同;②同一温区内的喷淋水在所有罐体表面形成相同液膜,且液体自上而下流动并忽略运动导致的液膜厚度变化;③忽略啤酒顶空及罐体顶部其他部件结构。

1.3.3 流体域及边界条件

罐装啤酒罐体由冲压罐身与旋压罐盖组成[24],顶部凹区液膜较厚,顶部液膜厚度设为δL1=9 mm,侧面设δL2=1.00、1.25、1.50、1.75、2.00 mm五个梯度,分析其对换热预测的影响。入口喷淋水温25～66 ℃,质量流通量边界,流量(1.577×10-2)～(1.612×10-2)kg/s,啤酒初温10～20 ℃;出口为恒压边界,抑制回流;在杀菌仓内,瓶壁与喷淋水膜间强制对流换热占主导作用,突出上下喷淋区域的传热贡献,简化该区域边界条件:液膜与空气接触侧壁为绝热壁面[25-26],罐体与液膜接触表面设置传热耦合边界。

1.3.4 控制函数及求解模型

本研究使用CFD软件ANSYS Fluent 2022R1对啤酒杀菌过程中的流-固-流界面换热进行了瞬态仿真,考虑到换热过程中啤酒液体的自然对流,假设液体满足Boussinesq假设。该仿真数值研究中涉及的方程为喷淋水及啤酒流动与传热过程中的连续性方程、动量方程、能量方程,分别如公式(2)～公式(4)所示:

连续方程:

(ρui)=0

(2)

动量方程:

(3)

能量方程:

(4)

式中:ui、uj,i、j方向速度分量(i=1,2、j=1,2),m/s;xi、xj,对应方向空间坐标(i=1,2、j=1,2),m;ρ,液体密度,kg/m3;p,流体压力,Pa;μ,液体动力黏度,Pa·s;β,液体热膨胀系数,1/K;Tref,参考温度,K;h,定压比焓值,J/kg;SH,源项,W/m3;λ,导热系数,W/(m·K);cp,空气比定压热容,J/(kg·K)。

壁面函数采用标准壁面函数,湍流模型采用k-ε模型[25-26]。压力-速度耦合模型求解采用Coupled算法,压力离散采用二阶迎风模型,动量方程采用二阶迎风格式离散,亚松驰因子默认设置。瞬态计算时间步长0.01 s。

1.3.5 网格划分及独立性

啤酒内部与喷淋水液膜区域独立划分流体域,如图2所示,2处流体域之间的罐体等厚固体边界不划分实际固体域,通过传热模型耦合内外流体域,等效于壁面厚度为δd=0.2 mm的金属罐体,有效避免了因相对厚度过小导致的网格划分困难的问题。2处流体域均采用分区结构化网格划分方法,该方法可以提高网格在复杂几何区域内的适应能力,又提高了计算效率与精度[27]。

在稳态计算下选取了6组不同节点量的网格进行网格相关性分析。相对误差表达式如公式(5)所示:

(5)

式中:φ,计算相对误差中每项参数的数值。

网格无关性结果如表2所示,当网格数>40 480,出口平均温度与压降相对误差均<0.5%,验证了该网格划分具有独立性。

1.4 数据处理

啤酒重复测定3次及以上并记录结果,通过SPSS Statistics 27软件计算结果平均值与标准差,使用Origin 2022软件绘图。

2 结果及分析

2.1 液膜换热模型验证

为验证热-流-固耦合模型准确性,选取PU计算关键因素预热区与加热区出口温度作为评价标准,分析不同侧壁液膜厚度下模拟与实验的相对误差,考虑其换热过程的最大相对误差,并综合分析结果以确定仿真精度最高模型,如图3所示。

如图3-a所示,在预热区工况下,实验平均出口温度为27.7 ℃,侧壁液膜厚度增加,仿真结果出口温度先升后降,误差范围为0.47%～3.32%,在1.00 mm时误差达最小值;加热区工况下,实验平均出口温度为54.2 ℃,仿真结果出口温度逐渐上升,误差范围为-1.73%～2.10%,在1.25 mm时误差最小(图3-b)。在流量一定时,初期液膜厚度增大使得流动截面的温度梯度逐渐增大,传热系数也同步增大,最终出口温度增高;当液膜厚度超过某阈值后,流速下降,液膜内导热路径过长,黏性增大,动量边界层和温度边界层进一步加厚,导致传热系数下降[28]。

为保证出口温度仿真误差绝对值<1%,因此选用液膜厚度为1.25 mm的模型,并通过过程温度相对误差进行验证,结果表明预热区与加热区仿真最大误差分别低于2%、4%(图3-c、图3-d),相比传统等厚或简化模型,非等厚液膜模型更贴近实验结果[21],有效提升了模拟精度与稳定性,为后续多工况模拟分析提供可靠基础。

2.2 啤酒初始温度对杀菌效果的影响

在啤酒生产中,罐装啤酒进入隧道喷淋灭菌,其初始温度受工艺与环境影响存在波动,结果如图4和图5所示。为评估其对杀菌过程的影响,研究设置初始温度10～20 ℃的5组工况,分析其对换热行为的影响。在预热阶段,初始温度越低,啤酒升温速率越快,换热系数初始峰值从最高3 211.24 W/(m2·K)逐步降低至472.45 W/(m2·K)。但随着时间推移,喷淋水温逐渐主导换热,初始温度影响减弱。各工况温度、换热系数在612 s时趋于一致,平均温度约48.07 ℃,换热系数约208.02 W/(m2·K),后续因素差距<0.5%。

同时,为进一步证明该时刻啤酒内部物理状况的一致性,图5展示了换热时间为612 s时啤酒温度分布和流线图。结果显示,不同初始温度下该时刻啤酒顶部涡流明显,罐壁中下部流速最大,且温度分布及流线具有相对一致性趋势。整体来看,初始温度主要影响预热前期,对最终杀菌效果作用有限,实际可通过调整喷淋参数,抵消初始波动带来的差异,提升杀菌均匀性与可靠性。

2.3 喷淋水温度对杀菌效果的影响

在啤酒杀菌过程中,预热与加热阶段温度变化剧烈且换热时间长,显著影响生产效率与能耗。为研究喷淋水温对杀菌过程的影响,分别在预热区(37.0～43.0 ℃)、加热区(60.0～66.0 ℃)设置5组工况,模拟并分析温度与换热系数变化。结果如图6所示,喷淋水温越高,啤酒升温速度越快,最终出口温度越高,预热区为31.92～36.81 ℃,加热区为57.67～63.21 ℃。较高水温条件下温升明显,热交换更充分,说明喷淋温度对工艺性能有持续性提升作用,并且在长时间换热条件下,各工况温度差距逐渐扩大。

喷淋水温度是影响啤酒杀菌效率的重要因素,较高的喷淋水温不仅可显著提升啤酒升温速度与换热强度,同时有助于缩短杀菌时间并将高位PU值率时刻提前,为工艺优化提供了理论依据。

2.4 换热低温区分析

2.4.1 常见工况杀菌不均性

图7展示了典型工况下隧道式喷淋系统中啤酒巴氏杀菌全过程的平均温度、PU值及喷淋水温的变化曲线,图8为该过程中各关键时刻的温度分布云图。结合图7与图8可分析整体换热过程的特征:在预热区与加热区,喷淋水温与啤酒平均温度之间存在较大温差,导致啤酒温度迅速升高,预热区、加热区出口平均温度达到40.57、63.60 ℃,PU值从加热区中段开始增长至34.349。同时内部形成明显的温度梯度和强烈的对流换热现象。由于喷淋水自上而下流动,啤酒顶部与底部的温度显著偏离整体平均值,呈现出“顶部温度高、底部温度低”的不均匀分布。

在啤酒进入某一单一区域初期,罐体顶部易出现涡流,温度分布跨度较大;接近出口时,虽然温度趋于收敛,但换热不均现象仍存在。进入加热区后段及保温区后,啤酒温度逐步接近杀菌所需温度,PU值迅速提升,喷淋稳定阶段温度更趋均匀,说明热穿透充分,换热均衡。最终累计PU值为34.349,满足传统标准(15～35 PU)[10]。然而,传统平均温度法不反映内部温差,可能导致局部杀菌不足或过杀,影响产品一致性[21]。

2.4.2 CV-MLD分析方法

为定量描述空间波动性,研究引入CV评估过程均匀性[29],并提出MLD表征杀菌效果一致性,取样方法如图9所示。模拟中在罐内均匀布设441个二维采样点(轴向与径向各21 点)提取温度数据,确保采样代表性与空间精度>5%,便于后续CV与MLD分析。

对于CV的计算首先选取罐内n个空间检测点,记录其杀菌过程中各个时刻τ对应的PUi(τ ),则该时刻τ下的平均PU值计算如公式(6)所示:

(6)

该时刻n个监测点的标准差如公式(7)所示:

(7)

因此,τ时刻下的CV如公式(8)所示:

(8)

对于MLD在杀菌过程后,对n个空间检测点进行总PU值统计,监测点Di的MLD如公式(9)所示:

DPU,i=|PUi(τ)-μPU(τ)|dt

(9)

式中:DPU,max,某个检测点取得最大DPU,i的最大值,而最终所有监测点的MLD如公式(10)所示:

(10)

对上述工况提取CV与MLD参数,结果如图10与图11所示。预热区初期CV快速上升,温区中部达到峰值,峰值从1.01逐渐增长至1.48,温区后期缓慢回落,反映出高温差条件下温度不均性最强时刻集中在温区中部。加热区初期CV升至最高1.54,随后持续下降,保温区末期CV最低为0.07,表明在喷淋水温60～65 ℃条件下,啤酒内部不均性随杀菌时间显著减弱。冷却阶段CV略升至0.54后回落,降温造成不均性显著低于预热区。PU杀菌速率在加热后期快速上升,后逐渐下降,保温阶段达最大3.27,冷却中期趋近于零。

图11展示了PU的空间分布,杀菌过程啤酒平均PU为34.75,顶部最高达54.50,对应DPU,i=19.745,底部最低20.33,顶部PU开始增长时间早于底部,停止增长时刻也晚于底部。表明顶部杀菌易过度,底部则存在不足。整体MLD为7.486,说明空间PU偏差显著,整体杀菌强度合格,但分布均匀性仍需优化。

2.4.3 多工况杀菌不均性分析

为了进一步验证CV与MLD两种参数对啤酒换热不均匀性过程与结果的量化效果,同时探究各类工况下的换热不均情况,本研究模拟了工况B(快速升温)、工况C(缓慢升温)、工况D(高初始温度)、工况E(慢速运行)、工况F(快速运行)等5种工况下的CV与MLD,如表3所示,其中A工况为上述已分析工况。不同工况下单温区最大CV与整体MLD如表4所示。

结合初始温度与喷淋水温研究,工况B因温差较大,导致多数温区CV最大值显著高于其他工况,MLD最高达10.178。工况C温差较小,CV峰值和MLD均低于工况A和B。工况D初始温度与喷淋温差小于工况A,换热初期CV略低,后期差异减小,MLD略低于工况A。工况E换热时间更长且温差小,换热更均匀,MLD最低;工况F换热时间更短,导致初入预热区与冷却区时温度不均性还未达到极值,但其余区域内由于热穿透的不充分,导致内外温差大于加热更长情况,造成CV增高,MLD也随之增高。综上分析,CV与MLD能较为有效的评估啤酒巴氏杀菌中换热与杀菌不均匀性,具有工程指导意义。

3 结论

本工作结合CFD方法与实验结果优化隧道式喷淋啤酒巴氏杀菌工艺,提升杀菌过程的预测能力与热交换性能。结果表明:热-流-固耦合模型在杀菌预热区与加热区均展现出较好的预测精度。当侧壁液膜厚度为1.25 mm时,2区域的预测相对误差最低,分别为0.79%、0.63%。初始温度对杀菌过程的影响主要出现在加热区前期,在612 s后逐渐减弱并趋于消失。喷淋水温对出口温度具有较大影响,随水温升高而略有提升。预热、加热区出口温度分别为31.92～36.81 ℃、57.67～63.21 ℃。相比传统基于平均温度计算的PU方法,本研究引入CV描述用于描述温度分布的不均匀性,并提出MLD方法以评价空间杀菌一致性。多组工况仿真结果表明,最大CV与MLD出现在快速升温条件下,分别达到1.67、10.178,存在较为明显的空间换热与杀菌强度差异,罐体顶部易出现过杀菌现象,而底部则存在杀菌不足风险。CV与MLD指标能够较为有效识别与评价此类问题,为隧道式杀菌系统的结构优化与工艺参数调整提供了技术支持和理论依据。

参考文献

[1] CIONT C, EPURAN A, KEREZSI A D, et al.Beer safety:New challenges and future trends within craft and large-scale production[J].Foods, 2022, 11(17):2693.

[2] CARVALHO G, LEITE A C, LEAL R, et al.The role of emergent processing technologies in beer production[J].Beverages, 2023, 9(1):7.

[3] DILAY E, VARGAS J V C, AMICO S C, et al.Modeling, simulation and optimization of a beer pasteurization tunnel[J].Journal of Food Engineering, 2006, 77(3):500-513.

[4] BUZRUL S.A suitable model of microbial survival curves for beer pasteurization[J].LWT-Food Science and Technology, 2007, 40(8):1330-1336.

[5] SINGH P, PANDEY S, MANIK S.A comprehensive review of the dairy pasteurization process using machine learning models[J].Food Control, 2024, 164:110574.

[6] MORAGA N, TORRES A, GUARDA A, et al.Non-Newtonian canned liquid food, unsteady fluid mechanics and heat transfer prediction for pasteurization and sterilization[J].Journal of Food Process Engineering, 2011, 34(6):2000-2025.

[7] MANDHA J, SHUMOY H, MATEMU A O, et al.Characterization of fruit juices and effect of pasteurization and storage conditions on their microbial, physicochemical, and nutritional quality[J].Food Bioscience, 2023, 51:102335.

[8] HORN C S, FRANKE M, BLAKEMORE F B, et al.Modelling and simulation of pasteurization and staling effects during tunnel pasteurization of bottled beer[J].Food and Bioproducts Processing, 1997, 75(1):23-33.

[9] 侯皓然, 马淑凤, 王利强.食品包装热杀菌过程模型的建立及仿真研究进展[J].中国食品学报, 2022, 22(7):407-416.
HOU H R, MA S F, WANG L Q.Research progress on model establishment and simulation of thermal sterilization process of food packaging[J].Journal of Chinese Institute of Food Science and Technology, 2022, 22(7):407-416.

[10] JHA A, MOSES J A, ANANDHARAMAKRISHNAN C.Optimizing beverage pasteurization using computational fluid dynamics[M].Preservatives and Preservation Approaches in Beverages.Amsterdam:Elsevier,2019:237-271.

[11] SZPICER A, BIKOWSKA W, WOJTASIK-KALINOWSKA I, et al.Application of computational fluid dynamics simulations in food industry[J].European Food Research and Technology, 2023, 249(6):1411-1430.

[12] JAGIEO K, LUDWIG W.Towards computational fluid dynamics applications in brewing process[J].European Food Research and Technology, 2024, 250(2):361-373.

[13] BAILEY R T, ELBAN W L.Thermal performance of aluminum and glass beer bottles[J].Heat Transfer Engineering, 2008, 29(7):643-650.

[14] COLAS M P, GARCíA M F N, DE LA CRUZ ARAGONESES M D L.Study of heating and cooling effect in bottle during beer pasteurization[J].2020:32-41.

[15] AUGUSTO P E D, CRISTIANINI M.Evaluation of geometric symmetry condition in numerical simulations of thermal process of packed liquid food by computational fluid dynamics (CFD)[J].International Journal of Food Engineering, 2010, 6(5):1695.

[16] THONGON R, NETRAMAI S, KIJCHAVENGKUL T, et al.Mathematical modeling and optimization of pasteurization for the internal pressure and physical quality of canned beer[J].Heliyon, 2023, 9(11):e21493.

[17] JAHANBAKHSHIAN N, HAMDAMI N.Numerical simulation of heat and mass transfer during heating and cooling parts of canned-green-olive pasteurization[J].Journal of Food Process Engineering, 2021, 44(12):e13909.

[18] INDUMATHY M, SOBANA S, PANDA B, et al.Modelling and control of plate heat exchanger with continuous high-temperature short time milk pasteurization process-A review[J].Chemical Engineering Journal Advances, 2022, 11:100305.

[19] LI Q, KANG J Y, JIANG S Y, et al.Thermal behavior of CMC solutions for continuous-flow radio frequency pasteurization[J].Innovative Food Science &Emerging Technologies, 2024, 92:103584.

[20] WANG Y Q, HOU Q, ZHANG E P, et al.Radio frequency pasteurization and heating uniformity of canned pineapple[J].Journal of Food Science, 2022, 87(6):2640-2650.

[21] 王亮, 于艳艳, 马晓彬, 等.罐装啤酒与瓶装啤酒的巴氏杀菌过程数值模拟[J].食品与发酵工业, 2014, 40(4):42-46.
WANG L, YU Y Y, MA X B, et al.Numerical simulation of beer pasteurization in can and in bottle[J].Food and Fermentation Industries, 2014, 40(4):42-46.

[22] POWELL R W.Thermal conductivities and expansion coefficients of water and ice[J].Advances in Physics, 1958, 7(26):276-297.

[23] 洪晓敏, 许蔷.啤酒巴氏杀菌过程的CFD数值分析[J].食品与机械, 2016, 32(2):160-164.
HONG X M, XU Q.CFD numerical analysis of beer pasteurization[J].Food &Machinery, 2016, 32(2):160-164.

[24] 胡晓, 杨兵, 何海铜.铝制易拉罐罐身成形有限元模拟[J].塑性工程学报, 2021, 28(8):49-54.
HU X, YANG B, HE H T.Finite element simulation of aluminum can body forming[J].Journal of Plasticity Engineering, 2021, 28(8):49-54.

[25] ALHUSNI H A, RAMAMURTHY T, KRISHNAN S.Assessment of thermal resistance of hot water in pasteurization[J].ACS Omega, 2024, 9(47):47274-47283.

[26] 程菊, 安家彦, 董文勇, 等.瓶装啤酒隧道式巴氏杀菌的数值模拟[J].食品与发酵工业, 2016, 42(7):86-90.
CHENG J, AN J Y, DONG W Y, et al.Numerical simulation of tunnel pasteurization for bottled beer[J].Food and Fermentation Industries, 2016, 42(7):86-90.

[27] RANTAKOKKO J.Partitioning strategies for structured multiblock grids[J].Parallel Computing, 2000, 26(12):1661-1680.

[28] LI W, WU X Y, LUO Z, et al.Falling water film evaporation on newly-designed enhanced tube bundles[J].International Journal of Heat and Mass Transfer, 2011, 54(13-14):2990-2997.

[29] JALILIBAL Z, AMIRI A, CASTAGLIOLA P, et al.Monitoring the coefficient of variation:A literature review[J].Computers &Industrial Engineering, 2021, 161:107600.

Computational fluid dynamics simulation and heat transfer characteristics of beer pasteurization process

GAO Zhizhen1,2, HAO Xianhe1,2, YU Jinghu1,2*, ZHANG Ke3, FAN Wei3

1(School of Mechanical Engineering, Jiangnan University, Wuxi 214122, China)2(The Jiangsu Key Laboratory of Advanced Food Manufacturing Equipment and Technology, Wuxi 214122, China)3(Hefei Zhongchen Light Industrial Machinery Co.Ltd., Hefei 230601, China)

ABSTRACT Tunnel-type spray pasteurization of beer often suffers from non-uniform temperature distribution, uncontrollable sterilization intensity, and high energy consumption.To address these challenges, this study combined numerical simulation and experimental analysis to investigate the effects of initial beer temperature, spray water temperature, and heat transfer non-uniformity on the temperature field and cumulative pasteurization performance (pasteurization unit, PU).A heat-fluid-solid coupling model was developed based on computational fluid dynamics (CFD) and validated by an in-house experimental platform under different liquid film thicknesses.Results show that when the film thickness was 1.25 mm, the temperature prediction errors in the preheating and heating zones were 0.79% and 0.63%, respectively, demonstrating high model accuracy.Under different initial temperature conditions, the influence on sterilization effectiveness became negligible after 612 s.Increasing spray water temperature caused the preheating and heating zones to stabilize within 31.92-36.81 ℃ and 57.67-63.21 ℃, respectively.Traditional PU calculations neglected spatial variations in heat transfer, making it difficult to reflect local sterilization deviations.To overcome this limitation, a new spatial consistency assessment method was proposed by introducing the coefficient of variation and defining a sterilization intensity deviation coefficient.This dual-dimensional approach, combining temperature and PU distribution, effectively identified local over-pasteurization and under-pasteurization regions across six representative conditions.The findings provide theoretical guidance and simulation support for optimizing the design and evaluating the thermal uniformity of tunnel-type beer pasteurization processes.

Key words beer pasteurization;sterilization uniformity evaluation;computational fluid dynamics;thermo-fluid-solid coupling;temperature distribution

DOI：10.13995/j.cnki.11-1802/ts.044152

引用格式：高志桢,郝显赫,俞经虎,等.啤酒巴氏杀菌过程的计算流体力学模拟与换热特性研究[J].食品与发酵工业,2026,52(15):142-150.GAO Zhizhen, HAO Xianhe, YU Jinghu, et al.Computational fluid dynamics simulation and heat transfer characteristics of beer pasteurization process[J].Food and Fermentation Industries,2026,52(15):142-150.

第一作者：硕士研究生(俞经虎教授为通信作者,E-mail:jhyu@jiangnan.edu.cn)

基金项目：国家自然科学基金项目(52375184)

收稿日期：2025-08-06,改回日期：2025-12-14