Resumo: A aplicação de redes neurais artificiais (RNA) na solução de problemas de equilíbrio líquido-vapor de misturas multicomponentes apresenta resultados consistentes com valores experimentais observados. Sua principal vantagem, frente às abordagens tradicionais, reside na capacidade de modelar o sistema em equilíbrio sem a necessidade da definição prévia de um modelo específico, tarefa muitas vezes árdua. No presente trabalho utilizam-se dados de três sistemas binários para o treinamento de modelo neural com o objetivo de predizer o equilíbrio de sistema ternário em condições isobáricas. O algoritmo de treinamento utilizado foi o de Levenberg-Marquardt com Regularização Bayesiana, implementado por meio do software MATLAB. A estrutura de rede que apresentou os melhores resultados contém as frações molares dos três componentes na fase líquida, como parâmetros de entrada, e as frações molares dos três componentes na fase vapor e a temperatura como parâmetros de saída. O escalonamento dos dados foi realizado entre 0 e 1, sendo utilizada a função de ativação sigmoidal na camada oculta da rede e a função linear na camada de saída. O desempenho dos modelos foi analisado a partir dos coeficientes de correlação, coeficientes regressão linear, resíduos entre os valores experimentais e preditos, além da raiz dos desvios quadráticos médios (RMSD). O principal sistema estudado foi Acetona-Metanol-Água, sendo os conceitos desenvolvidos extrapolados para os sistemas polares Metanol-Etanol-Água, Metanol-2-Propanol-Água e para o sistema apolar Benzeno-Ciclohexano-Hexano. Os resultados obtidos indicam que a predição de equilíbrio através do modelo neural se mostra consistente com os dados experimentais e as predições realizadas via modelo UNIQUAC. Destaca-se que a construção do modelo neural baseia-se no uso de dados de sistemas binários para a predição de sistemas ternários, enquanto que o modelo UNIQUAC utiliza parâmetros regredidos a partir de dados experimentais para o equilíbrio ternário. Dessa forma, os conceitos utilizados nas duas modelagens são bastante distinto sendo, à priori, favoráveis ao modelo termodinâmico, fato não condizente com os resultados obtidos no presente estudo. Ver menos

Abstract: Modeling multicomponent vapor-liquid equilibrium (VLE) by means of Artificial Neural Networks (ANN) showed to be able to successfully reproduce observed experimental points. The main advantage of this approach, regards to the traditional approaches, resides in the capacity to modeling the equilibrium condition without the necessity of the prior
definition of a specific model, which is a task very often strenuous. In the present work data of three binary systems were used to training a neural network model with the objective to predict the equilibrium of a ternary system at isobaric conditions. The training algorithm used was Levenberg-Marquardt with Bayesian Regularization, implemented through the software MATLAB. The best network structure contains the molar fractions of three components in the liquid phase, as input parameters, and the molar fractions of three components at vapor phase besides the temperature as the output parameters. The data normalization was carried out in the interval between 0 and 1. The sigmoid activation function was used in the hidden layer and linear function was used in the calculations of the exit layer. The performance of the models was analyzed from the coefficients of correlation, linear regression coefficients, residues between the experimental and predicted values, besides the root of the quadratic middle diversions (RMSD). The principal system studied was Methanol-Acetone-Water, being the developed concepts extrapolated to the
polar systems Ethanol-Methanol-Water, Methanol-2-propanol-Water and to the nonpolar system Benzene-Cyclohexane-Hexane. Results presented indicate that vapor-liquid equilibrium prediction through neural network is consistent with experimental data and UNIQUAC model predictions. Moreover, when comparing the ANN model with the thermodynamic model it is important to notice that the first model uses binary systems to
predict ternary system equilibrium, whereas the thermodynamic model uses parameters obtained from experimental ternary data regressions. Thus, the concepts used in both models are quite different, being favorable to the thermodynamic model. Even so the ANN model showed to be very reliable, in the present study. Ver menos