Modelo de predicción de la concentración de acetona durante el proceso de destilación extractiva de una mezcla acetona-metanol

La finalidad del presente trabajo de investigación fue simular el proceso de destilación extractiva para separar la mezcla azeotrópica acetona-metanol mediante el software de código abierto DWSIM y validarlo con un referente bibliográfico, con el propósito de ser la base para la creación de una Red Neuronal Artificial (RNA) que sea capaz de predecir fracciones y flujos molares de los compuestos químicos del proceso. En cuanto al diseño de la RNA se realizó una base de datos a partir de 100 simulaciones del proceso donde las variables manipulables fueron presión, relación de solvente/alimentación y fracción molar de acetona en la alimentación; las variables de salida o estudiadas son la fracción molar de acetona y flujo molar del destilado de la columna de extracción, las fracciones molares de acetona, metanol, agua y el flujo molar de destilado de la columna de recuperación. La RNA cuenta con una estructura de 3-55-6 siendo entradas, neuronas y salidas respectivamente, se utilizó el algoritmo matemático “Regularización Bayesiana”, además se llevó a cabo una validación externa con 17 datos para asegurar la confiabilidad de la red ante nuevos datos. Se obtuvo un error cuadrático medio de 2.4804x10e07 y una regresión lineal en la prueba de R= 0.9994. Se realizó un análisis estadístico comparativo resultando una confiabilidad del 95 %, sin la presencia de valores atípicos y con valores máximos de 3.22 % en errores porcentuales promedio en los datos predichos por la RNA. La cantidad de acetona extraída fue de 76.087 kmol/h mientras que el metanol conseguido fue de 24.913 kmol/h a partir de 100 kmol/h de mezcla azeotrópica. Se recomienda realizar a cabo estudios sobre nuevas variables de operación del proceso para observar la influencia que estas tienen en la obtención de acetona y metanol de la mezcla azeotrópica.The purpose of this research work was to simulate the extractive distillation process to separate the azeotropic acetone-methanol mixture using the open code software DWSIM and validate it with a bibliographic reference, with the purpose of being the basis for the creation of an Artificial Neural Network (ANN) that is capable of predicting fractions and molar fluxes of the process chemical compounds. Regarding the design of the ANN, a database was made from 100 simulations of the process where the manipulable variables were pressure, solvent / feed ratio and molar fraction of acetone in the feed; the output or studied variables are the acetone molar fraction and the molar flow of the distillate from the extraction column, the molar fractions of acetone, methanol, water and the molar flow of distillate from the recovery column. The ANN has a structure of 3-55-6 being inputs, neurons and outputs respectively; the mathematical algorithm "Bayesian Regularization" was used; in addition, an external validation was carried out with 17 data to ensure the reliability of the network with new data. A mean square error of 2.4804x10e07 and a linear regression in the test of R = 0.9994 were obtained. A comparative statistical analysis was performed, resulting in a reliability of 95%, without the presence of atypical values and with maximum values of 3.22% in mean percentage errors in the data predicted by the ANN. The amount of acetone extracted was 76,087 kmol / h while the methanol obtained was 24,913 kmol / h from 100 kmol / h of azeotropic mixture. It is recommended to carry out studies on new operating variables of the process to observe the influence they have on obtaining acetone and methanol of the azeotropic mixture