Modelo de redes neuronales para la estimación del equilibrio termodinámico líquido-vapor en mezclas de dióxido de carbono-acetato de isopropílico

Abstract

This research addresses the challenge of accurately estimating the liquid vapor thermodynamic equilibrium in mixtures of carbon dioxide and isopropyl acetate using artificial neural networks. The main goal is to develop a model that surpasses the limitations of traditional methods, providing more precise and efficient estimates. A methodology involving the design, training, and validation of a neural network, using experimental data for model adjustment, was employed. The findings indicate a significant improvement in the precision of thermodynamic equilibrium estimations compared to conventional approaches. The conclusions highlight the feasibility of artificial neural networks as an advanced tool for prediction in chemical engineering, offering valuable implications for the design and optimization of industrial processes. This study contributes to the advancement of knowledge in the modeling of thermodynamic processes and underscores the importance of integrating artificial intelligence technologies into solving complex engineering problems.

Esta investigación aborda la problemática de estimar con precisión el equilibrio termodinámico líquido-vapor en mezclas de dióxido de carbono y acetato de isopropílico mediante el uso de redes neuronales artificiales. El objetivo principal es desarrollar un modelo que supere las limitaciones de los métodos tradicionales, proporcionando estimaciones más precisas y eficientes. Se empleó una metodología basada en el diseño, entrenamiento, y validación de una red neuronal, utilizando datos experimentales para el ajuste del modelo. Los resultados indican una mejora significativa en la precisión de las estimaciones del equilibrio termodinámico en comparación con los enfoques convencionales. Las conclusiones destacan la viabilidad de las redes neuronales artificiales como herramienta avanzada para la predicción en ingeniería química, ofreciendo implicaciones valiosas para el diseño y optimización de procesos industriales. Este estudio contribuye al avance del conocimiento en la modelización de procesos termodinámicos y subraya la importancia de integrar tecnologías de inteligencia artificial en la resolución de problemas complejos de la ingeniería.