Use of neural networks for the prediction of multicomponent vapor liquid equilibrium

Na literatura são apresentados vários modelos termodinâmicos para o ajuste de dados de equilíbrio líquido-vapor (ELV) multicomponentes. Entretanto, devido à complexidade destes modelos termodinâmicos para interpolar dados para pressões onde dados experimentais não são disponíveis, foi proposto o uso das Redes Neurais Artificiais. Inicialmente a resolução de equações de equilíbrio líquido-vapor foi feita através de cálculos do ponto de Bolha T para o sistema ternário 2-buranol 2-butanona- água a fin de se obter uma grande quantidade de dados para serem usados nos treinamentos das redes. O modelo termodinâmico usado na representação da fase líquida foi NRTL (Non-Random-Two-Liquid). Estes dados foram então usados para treinar e testar os modelos de redes neurais, e nós verificamos que as redes neurais foram capazes de descrever o comportamento de equilíbrio com pequenos desvios nas composições preditas para o vapor em sistemas isobáricos. Um modelo neural foi então desenvolvido no MATLAB para fazer predição das propriedades termodinâmicas para o sistema 2-butanol-2-btanona-água, usando dados em diferentes pressões para treinas a rede, e predizer a composição de vapor e temperaturas em pressões na usadas no treinamento das redes. Como esperado, resultados muito pobres foram obtidos quando dois conjuntos de dados isobáricos usados para predizer o comportamento de ELV em uma pressão intermediária... Observação: O resumo, na íntegra, poderá ser visualizado no texto completo da tese digitalMany thermodynamic models for the data correlation of multicomponent liquid-vapor equilibrium (LVE) can be found in the literature. However, due the difficulty of these thermodynamic models to interpolate data at pressures where experimental data is not available, the use of Artificial Neural Networks was considered. Initially the resolution of liquid-vapour equilibrium equations was made through calculations of the bubble-point T for the ternary system 2-butanol / 2-butanone / water in order to get a reasonable amount of data to be used in the training of the networks. The thermodynamic model used in the representation of the liquid phase was NRTL (Non-Random-Two-Liquid). These data were then used to train and test neural network models, and we verified that the neural nerworks were capable of describing the equilibrium behavior with small deviations in predicted vapor composition, for isobaric systems. A neural model was then developed in MATLAB to make predictions of thermodynamic properties for the 2-butanol / 2-butanone / water system, using data at different pressures to train the network, and predict vapor composition and temperature at pressures nor used to train the network. As expected, a very poor result was obtained when two isobaric sets of data were used to predict LVE behavior at an intermediate pressure... Note: The complete abstract is available with the full electronic digital thesis or dissertation