Publicado

2017-10-01

Vapor-Liquid equilibria modeling using gray-box neural networks as binary interaction parameters predictor

Modelamiento de equilibrio Líquido-Vapor usando redes neuronales grises como predictor de parámetros de interacción binaria

DOI:

https://doi.org/10.15446/dyna.v84n203.56364

Palabras clave:

Acetone-Alcohol System, Peng-Robinson, Non-Linear Evaluations, ANN prediction (en)
Sistemas Acetona-Alcohol, Peng-Robinson, Evaluación no-lineal, predicción ANN (es)

Descargas

Autores/as

Simulations of vapor-liquid equilibrium (VLE) are widely used given their impact on the scale, design, and extrapolation of different operational units. However, due to a number of factors, it is almost impossible to experimentally study each of the VLE systems. VLE simulations can be developed using representations that are strongly dependent on the nature and interactions of the compounds forming mixtures. A model that helps in predicting these interactions would facilitate simulation processes. A Gray Box Neural Network Model (GNM) was created as Binary Interaction Parameters predictors (BIP), which are estimated using state variables and information from pure components. This information was used to predict VLE behavior in mixtures and ranges not used in the mathematical formulation. The GNM prediction capabilities (including temperature dependency) showed an error level lower than 5% and 20% for mixtures considered and not considered in the training data, respectively.
Las Simulaciones de Equilibrio Líquido Vapor (VLE) son ampliamente utilizadas dado su impacto en el escalamiento, diseño y extrapolación de diferentes operaciones unitarias. Sin embargo, dado considerable factores, es casi imposible experimentalmente estudiar cada uno de los sistemas de VLE. La simulación de VLE puede ser desarrollada utilizando representaciones que son fuertemente dependientes de la naturaleza e interacción de los compuestos que conforman la mezcla. Un modelo que ayude en la predicción de esas interacciones facilitará el proceso de simulación. Una Red Neuronal Gris (GNM) fue creada como un predictor de parámetros de interacción binaria, los que son estimados utilizando variables de estado e información de componentes puros. Esta información fue utilizada para predecir el comportamiento de VLE en mezclas y rangos no utilizados en la formulación matemática. Las capacidades predictivas del GNM (incluida la dependencia de temperatura) mostraron errores menores al 5% y al 20% para mezclas consideradas y no consideradas en los datos de entrenamiento, respectivamente.

Referencias

Prausnitz, J.M., Lichtenthaler, R.N. and de Azevedo, E.G., Molecular thermodynamics of fluid-phase equilibria. Pearson Education, 1998.

Hadi, J.A., Hadi, J.G., Najmuldeen, G.F., Ahmed, I. and Hasany, S.F., Gas-liquid equilibrium prediction of system CO2-aqueous ethanol at moderate pressure and different temperatures using PR-EOS. Chemical Industry and Chemical Engineering Quarterly/CICEQ, 19(3), pp. 339-346, 2013. DOI: 10.2298/CICEQ120324067H.

Psichogios, D.C. and Ungar, L.H., A hybrid neural network‐first principles approach to process modeling. AIChE Journal, 38(10), pp. 1499-1511, 1992. DOI: 10.1002/aic.690381003.

Cubillos, F.A., Acuña, G. and Lima, E.L., Real-time process optimization based on grey-box neural models. Brazilian Journal of Chemical Engineering, 24(3), pp. 433-443, 2007. DOI: 10.1590/S0104-66322007000300012.

Alavi, M., Jazayeri-Rad, H. and Behbahani, R.M., Optimizing the feed conditions in a dimethyl ether production process to maximize methanol conversion using a hybrid first principle neural network approach. Chemical Engineering Communications, 201(5), pp. 650-673, 2014. DOI: 10.1080/00986445.2013.782294.

Anderson, J.S., McAvoy, T.J. and Hao, O.J., Use of hybrid models in wastewater systems. Industrial and Engineering Chemistry Research, 39(6), pp. 1694-1704, 2000. DOI: 10.1021/ie990557r.

Bravo-Sánchez, U.I., Rico-Martinez, R. and Iglesias-Silva, G.A. Improvement of the empiricism in the BACK equation of state via hybrid neural networks. Industrial and engineering chemistry research, 41(15), pp. 3705-3713. 2002. DOI: 10.1021/ie010773b

Mohanty, S., Estimation of vapour liquid equilibria of binary systems, carbon dioxide–ethyl caproate, ethyl caprylate and ethyl caprate using artificial neural networks. Fluid Phase Equilibria, 235(1), pp. 92-98, 2005. DOI: 10.1016/j.fluid.2005.07.003.

Nguyen, V.D., Tan, R.R., Brondial, Y. and Fuchino, T., Prediction of vapor–liquid equilibrium data for ternary systems using artificial neural networks. Fluid phase equilibria, 254(1), pp. 188-197, 2007. DOI: 10.1016/j.fluid.2007.03.014

Karimi, H. and Yousefi, F., Correlation of vapour liquid equilibria of binary mixtures using artificial neural networks. Chinese Journal of Chemical Engineering, 15(5), pp. 765-771, 2007. DOI: 10.1016/S1004-9541(07)60160-8.

Ganguly, S., Prediction of VLE data using radial basis function network. Computers and Chemical Engineering, 27(10), pp. 1445-1454, 2003. DOI: 10.1016/S0098-1354(03)00068-1

Faúndez, C.A., Quiero, F.A. and Valderrama, J.O., Correlation and prediction of VLE of water+ congener mixtures found in alcoholic beverages using an artificial neural network. Chemical Engineering Communications, 198(1), pp. 102-119, 2010.

Urata, S., Takada, A., Murata, J., Hiaki, T. and Sekiya, A., Prediction of vapor–liquid equilibrium for binary systems containing HFEs by using artificial neural network. Fluid Phase Equilibria, 199(1), pp. 63-78, 2002.

Ramírez-Beltrán, N.D., Vallés, H.R., Estévez, L.A. and Duarte, H., A neural network approach to predict activity coefficients. The Canadian Journal of Chemical Engineering, 87(5), pp. 748-760, 2009.

Michalski, H., Michalowski, S., Serwinski, M. and Strumillo, C., Vapor-liquid equilibria for the system acetone-n-butanol. Zeszyzy Nau/1: Politech. Lodz. Chem, 10, pp. 73-84, 1961.

Amer, H.H., Paxton, R.R. and Winkle, M.V., Methanol-ethanol-acetone. Industrial and Engineering Chemistry, 48(1), pp. 142-146, 1956.

Fordyce, C.R. and Simonsen, D.R., Cellulose ester solutions. Industrial and Engineering Chemistry, 41(1), pp. 104-111, 1949.

Peng, D.Y. and Robinson, D.B., A new two-constant equation of state. Industrial and Engineering Chemistry Fundamentals, 15(1), pp 59-64, 1976.

Kosko, B., Neural networks and fuzzy systems: A dynamical systems approach to machine intelligence/book and disk. Vol. 1 Prentice hall, 1992.

Haykin, S. and Network, N., A comprehensive foundation. Neural Networks, 2004.

Cybenko, G., Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems, 2(4), pp. 303-314, 1989.

Hornik, K., Stinchcombe, M. and White, H., Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), pp. 359-366, 1989.

Si-Maussa, C., Nanini, S., Derriche, R., Buhedda, M. and Bauzidi, A., Prediction of high-pressure vapor liquid euilibrium of six binary systems, carbon dioxide with six esters, using and artificial neural network model. Brazilian Journal of Chemical Engineering, 25(1), pp. 183-199, 2008.

Willmott, C.J., Robeson, S.M. and Matsuura, K., A refined index of model performance. International Journal of Climatology, 32(13), pp. 2088-2094, 2012. DOI: 10.1002/joc.2419.

Karim, H. and Yousefi, F., Correlation of vapour liquid equilibria of binary mixtures using artificial neural networks. Chinese Journal of Chemical Engineering, 15(5), pp.765-771, 2007. DOI: 10.1016/S1004-9541(07)60160-8.

Dimensions

PlumX

Visitas a la página del resumen del artículo

615

Descargas

Los datos de descarga aún no están disponibles.

Cómo citar

[1]
“Modelamiento de equilibrio Líquido-Vapor usando redes neuronales grises como predictor de parámetros de interacción binaria”, DYNA, vol. 84, no. 203, pp. 226–232, Oct. 2017, doi: 10.15446/dyna.v84n203.56364.

Licencia

Derechos de autor 2017 DYNA

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

El autor o autores de un artículo aceptado para publicación en cualquiera de las revistas editadas por la facultad de Minas cederán la totalidad de los derechos patrimoniales a la Universidad Nacional de Colombia de manera gratuita, dentro de los cuáles se incluyen: el derecho a editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir en artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.