Influence of thermodynamically inconsistent data on modeling the solubilities of refrigerant gases in ionic liquids using a multilayer perceptron
Un test de consistencia termodinámica es aplicado para analizar datos de equilibrio de fase de mezclas binarias de gases refrigerantes y líquidos iónicos. Los datos experimentales de la presión de estos sistemas son correlacionados con la ecuación de estado de Valderrama-Patel-Teja con la regla mezc...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2022 |
| País: | Chile |
| OAI Identifier: | oai:repositorio.anid.cl:10533/42571 |
| Acceso en línea: | https://hdl.handle.net/10533/42571 |
| Access Level: | acceso abierto |
| Palabra clave: | Ciencias Naturales Ciencias Físicas Otras Especialidades de la Física |
| Sumario: | Un test de consistencia termodinámica es aplicado para analizar datos de equilibrio de fase de mezclas binarias de gases refrigerantes y líquidos iónicos. Los datos experimentales de la presión de estos sistemas son correlacionados con la ecuación de estado de Valderrama-Patel-Teja con la regla mezcla propuesta por Kwak y Mansoori (KM), y la ecuación fundamental de Gibbs-Duhem es utilizada para revisar la consistencia termodinámica de 642 datos experimentales de presión, temperatura y solubilidad (P, T, x). El principal propósito de esta tesis es analizar la influencia de los datos experimentales que son declarados como termodinámicamente inconsistentes en el modelado de la solubilidad x de gases refrigerantes en líquidos iónicos mediante una red neuronal artificial. Los resultados obtenidos por el test de consistencia son clasificados en tres categorías: termodinámicamente consistentes, no completamente consistentes y termodinámicamente inconsistentes. Posteriormente, un perceptrón multicapa es entrenado para predecir la solubilidad en tres casos: i) aprendizaje con isotermas declaradas termodinámicamente consistentes, ii) aprendizaje con isotermas declaradas termodinámicamente consistentes y no completamente consistentes y, iii) aprendizaje utilizando todas las isotermas, incluso aquella que fueron declaradas termodinámicamente inconsistentes. Para cada caso, se determina la arquitectura de la red, la combinación de variables de entrada y el número de parámetros de la red. Los resultados muestran que el uso de datos termodinámicamente consistentes y no completamente consistentes son suficientes para encontrar una red neuronal artificial con un número razonable de parámetros, en comparación con los datos experimentales. |
|---|