Diseño de un software dotado con Machine Learning para la inicialización de los parámetros de interacción binaria de NRTL en la correlación de datos experimentales de ELL

Actualmente, la correlación de datos experimentales de equilibrio resulta una tarea de elevada necesidad en el diseño de procesos industriales. A pesar de la importancia de la correlación de datos experimentales, la fuerte no linealidad y complejidad de los modelos termodinámicos de ajuste, así como la naturaleza iterativa de este proceso de cálculo hacen que este proceso resulte de elevada dificultad y alto consumo de tiempo. Respecto a los modelos de equilibrio, no siempre van a tener la suficiente flexibilidad para ajustar los datos experimentales. De modo, que la primera de las preocupaciones consiste en establecer qué modelo, o grupo de modelos, se va a emplear en la correlación de un determinado sistema. Además, la naturaleza iterativa inherente del propio proceso de correlación implica una gran dependencia con la dispersión de los datos experimentales originales, los valores supuestos de partida para la inicialización del cálculo, la función objetivo o la condición de equilibrio seleccionada, así como la robustez del propio algoritmo de optimización empleado para tratar de garantizar la convergencia. Al depender en gran medida la calidad y consistencia del resultado final con los valores iniciales proporcionados a los parámetros de interacción binaria del modelo escogido en la etapa de inicialización, resulta de vital importancia establecer una forma sistemática de seleccionar estos valores de partida. Debido al reciente, y muy acusado, desarrollo de las redes neuronales, la inteligencia artificial y los distintos algoritmos de Machine Learning, surge la oportunidad de realizar, en una primera aproximación, una herramienta que permita clasificar un determinado sistema experimental de ELL isotermo, que se pretende correlacionar con el modelo termodinámico NRTL utilizando inteligencia artificial capaz de aprender a clasificar sistemas en función de una serie de características definidas y de un conjunto sistemas de referencia, y proporcionar unos parámetros de interacción binaria de partida adecuados para inicializar la correlación de los datos experimentales de ELL de un sistema sobre el cual no se tiene información. Proporcionando unos parámetros de partida relativamente cercanos al resultado final y coherentes con la tipología Treybal y características del sistema estudiado.Referencias relacionadas: *Labarta, J.A; Olaya, M.M.; Marcilla, A. GMcal_TieLinesLL v.2.2. Graphical User Interface (GUI) for the representation of GM surfaces and curves (for binary and ternary systems), including tie-lines, Hessian Matrix analysis, Plait Point location, etc. 2015-2022. Institutional Repository RUA: http://hdl.handle.net/10045/51725. (Including a Thermodynamic Review). *Labarta, J.A.; Olaya, M.M.; Marcilla, A. Boundaries_LL_NRTL Graphical User Interface (GUI) for the characterization of the NRTL model: Binary Spinodal Surfaces (in the Ti,j-Tj,i-xi space), LLE maps and Miscibility Boundaries. Institutional Repository of the University of Alicante (RUA) 2022 (http://hdl.handle.net/10045/121471). *Marcilla, A.; Labarta, J.A.; Olaya, M.M. Should we trust all the published LLE correlation parameters in phase equilibria? Necessity of their Assessment Prior to Publication. Fluid Phase Equilibria. 2017, 433, 243-252 (http://dx.doi.org/10.1016/j.fluid.2016.11.009) (RUA: http://rua.ua.es/dspace/handle/10045/66521).Vicerrectorado de Investigación y Transferencia de Conocimiento, y grupo de investigación CONCEPT (Computer Optimization of Chemical Engineering Processes and Technologies) del Dpto. de Ingeniería Química e Instituto de Ingeniería de los Procesos Químicos. Universidad de Alicante (Ayudas para estudios de Máster oficial e iniciación a la investigación 2020, Referencia: AII20-23)