Modelado y simulación de la destilación del Terc-butanol para la predicción de la composición de los productos mediante Redes Neuronales Artificiales

El objetivo del presente trabajo fue desarrollar un modelo basado en Redes Neuronales Artificiales (RNA) para la predicción de la composición de los productos del proceso de destilación de la mezcla azeotrópica terbutanol y agua. El método de separación fue la destilación azeotrópica heterogénea usando como agente de separación al Ciclohexano. Para realizar la simulación se usó el simulador de procesos DWSIM, desarrollando una función de análisis de sensibilidad codificada en Python. Esta función permite obtener resultados de la simulación variando aleatoriamente los parámetros de entrada: flujo molar de alimentación, fracción molar de terbutanol en la alimentación, temperatura de la alimentación y el flujo molar del agente azeotrópico. Los resultados se tabularon y usaron como datos para el proceso de entrenamiento de la Red de Neuronas Artificiales, conformados por 4 entradas y 10 salidas. Las RNA fue desarrollada en MATLAB con la herramienta Neural Network Fitting y probada con un segundo grupo de datos generados con el simulador. El resultado fue comparado y validado usando el test ANOVA de una vía para datos independientes. El valor del coeficiente de correlación lineal para las predicciones fue de 0.9599 con un 95% de confianza. Los resultados del test ANOVA muestran que no existe diferencia significativa entre los resultados obtenidos del simulador y los obtenidos de la RNA, para todas las salidas estudiadas. La estructura feedfoward de la RNA está conformada por 25 nodos en las capas ocultas y 10 en la capa de salida, usando un algoritmo de aprendizaje de tipo backpropagation. Se recomienda la aplicación de otras estructuras de RNA, así como de algoritmos de aprendizaje, para extender el estudio del proceso de separación de terbutanol-agua.The objective of this work was to develop a model based on Artificial Neural Networks (ANN) for the prediction of the composition of the products of the distillation process of the azeotropic mixture terbutanol and water. The separation method was heterogeneous azeotropic distillation using Cyclohexane as the separating agent. To carry out the simulation, the DWSIM process simulator was used, developing a sensitivity analysis function encoded in Python. This function enables simulation results to be obtained by randomly varying the input parameters: feed molar flow, molar fraction of terbutanol in feed, feed temperature, and azeotropic agent molar flow. The results were tabulated and used as data for the Artificial Neuron Network training process, made up of 4 inputs and 10 outputs. The RNAs were developed in MATLAB with the Neural Network Fitting tool and tested with a second set of data generated with the simulator. The result was compared and validated using the one-way ANOVA test for independent data. The value of the linear correlation coefficient for the predictions was 0.9599 with 95% confidence. The results of the ANOVA test show that there is no significant difference between the results obtained from the simulator and those obtained from the RNA, for all the outputs studied. The feedfoward structure of RNA is made up of 25 nodes in the hidden layers and 10 in the output layer, using a backpropagation-type learning algorithm. The application of other RNA structures, as well as learning algorithms, is recommended to extend the study of the terbutanol-water separation process