Predicción del equilibrio líquido-vapor mediante redes neuronales: sistema PDMS + CO₂

Abstract

Recientemente la necesidad de contar con información experimental confiable para el diseño y la optimización de procesos industriales ha tenido una creciente demanda. En este contexto, se aplicaron redes neuronales para la predicción de la composición en el equilibrio de fases. La red neuronal (ANN) diseñada es de regresión y feedforward con aprendizaje supervisado. El entrenamiento se realizó empleando datos experimentales de equilibrio de fases de polidimetilsiloxano (PM≈8000) + CO₂. La predicción de la ANN fue comparada con la de la ecuación de Sanchez-Lacombe. Los valores teóricos obtenidos mediante esta última sólo consideran datos experimentales medidos en nuestro laboratorio, mientras que la ANN contempla también datos de la literatura. El diseño de una ANN con 2, 1 y 30 neuronas en sus capas de entrada, salida y oculta fue la mejor opción para predecir la composición del CO₂ en el equilibrio para temperaturas entre 30 y 80°C y presiones entre 3.4 a 12.9 MPa. Con el incremento del número de neuronas de la capa oculta, la predicción de la fracción másica para el CO₂ es cada vez menos acertada, obteniéndose comportamientos bastante diferente a los puntos experimentales. Por lo tanto, un sobredimensionamiento no ayuda al correcto entrenamiento de la ANN.

In recent years the need for reliable experimental information for the design and optimisation of industrial processes has been in increasing demand. In this context, neural networks were applied for the prediction of phase equilibrium composition.A feedforward regression neural network (ANN) with supervised learning was designed. The training was performed using experimental phase-equilibrium data of polydimethylsiloxane + CO₂. The ANN prediction was compared with Sanchez-Lacombe equation’s results. The theoretical values obtained by the latter only consider experimentally measured data, whereas the ANN also contemplates data from the literature.The design of an ANN with 2, 1 and 30 neurons in its input, output and hidden layers was the best choice to predict the equilibrium CO₂ composition for temperatures between 30 and 80°C. With the increase of the number of neurons in the hidden layer, the prediction of the mass fraction for CO₂ at equilibrium becomes less and less accurate, resulting in behaviours that differ greatly from the experimental points. Therefore, increasing the problem size does not help the correct ANN training.