Modelagem matematica da extração do citocromo B5 via redes neurais

A modelagem da extração líquido-líquido pode ser feita através de abordagens fenomenológicas ou empíricas. Para a modelagem fenomenológica é necessária a compreensão dos fenômenos fisicos e químicos, e nem todos são conhecidos. Na abordagem empirica não é necessário o conhecimento dos fenômenos envolvidos. Uma das abordagens empíricas é o uso de redes neurais artificiais. Estes modelos têm a habilidade de 'aprender' comportamentos complexos do sistema fisico. O aprendizado é um procedimento pelo qual a rede aproxima uma função mapeando um conjunto de dados de entrada-saída. As redes neurais podem ser usadas como 'caixas pretas', não é necessário nenhum conhecimento sobre o comportamento do processo. Neste trabalho foram desenvolvidos modelos para a extração do citocromo b5 em operação descontínua e em operação contínua. Em operação descontínua a entrada foi a massa molar do PEG, e as viscosidades das fases PEG e sal, a saída foi o coeficiente de partição, e em operação contínua a entrada usada foi o coeficiente de partição, freqüência de pulsação e vazão total das fases, sendo a saída a porcentagem de extração e a fração de retenção da fase dispersa. Os algoritmos usados para o treinamento das redes foram: Levemberg-Marquardt, Parada Antecipada e Regularização Bayesiana. A entrada e saída foram normalizadas entre 0,1 e 0,9 e as funções de ativação do tipo sigmoidal. Verificou-se que dentre os modelos desenvolvidos o que teve melhor ajuste foi a rede treinada com o algoritmo Regularização Bayesiana, mas o algoritmo parada antecipada também obteve bons ajustes. Os erros dos modelos ficaram dentro da faixa esperada. Assim, o principal objetivo deste trabalho, que era a modelagem da extração do citocromo b5, com erro dentro da faixa experimental, foi alcançada com sucessoThe liquid-liquid extraction modeling can be done through phenomenologic or empiric approach . For phenomenologic modeling is necessary understanding of physic and chemical phenomenon, and alI neither are known. in the empiric approach is not necessary the knowledge about the involved phenomenon. One of empiric aproach is the use of artificial neural networks. This models have the habilit of 'learn' complex physic systens behaviour. The learnt is the behaviour which the network approachs function, maping an input-output data set. Neural networks can be used how 'black boxes' is not necessary knowlege about process behaviour. In this work was developed model for cytochrome b5 extraction in descontinuous operation and continuous operation. The descontinuous input was: PEG molecular weight, PEG and salt viscosities, the output was partition coefficient, in the continuous operation the input was: partition coefficient, pulsation frequency and phases overall flowrate, the output extraction percentage and disperse phase holdup. The algoritms used for training was: Levemberg-Marquardt, Early Stoping and Bayesian Regularization. The input-output was scaled into the range 0,1-0,9, and activation function sigmoidal type. It was observed the models developed, the better adjust was the network trained with Bayesian Regularization algoritm, but the Early Stoping algoritm had hight adjust too. The model errors stayed into the range expected. Then, the main objetive of this work, the modeling cytochrome b5 extraction, with error into experimental range, was obtained with succes