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

Resumen

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.