Entrenamiento, Prueba y Predicción de la Solubilidad del Dióxido de Azufre en Líquidos Iónicos utilizando Redes Neuronales Artificiales
Resumen Se analiza la capacidad de modelos de redes neuronales artificiales (RNA) para la predicción de la solubilidad de gases en líquidos iónicos (LIs). Se usan datos disponibles de solubilidad de dióxido de azufre (SO2) en ocho líquidos iónicos, mezclas atractivas para procesos relacionados con l...
Guardado en:
| Autores principales: | , |
|---|---|
| Lenguaje: | Spanish / Castilian |
| Publicado: |
Centro de Información Tecnológica
2018
|
| Materias: | |
| Acceso en línea: | http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-07642018000300097 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | Resumen Se analiza la capacidad de modelos de redes neuronales artificiales (RNA) para la predicción de la solubilidad de gases en líquidos iónicos (LIs). Se usan datos disponibles de solubilidad de dióxido de azufre (SO2) en ocho líquidos iónicos, mezclas atractivas para procesos relacionados con la prevención de la contaminación ambiental, como, por ejemplo, el secuestro por absorción de SO2. Un total de 155 datos de solubilidad (P-T-x) para estos sistemas se tomaron de la literatura (131 datos para el entrenamiento, 16 para prueba y 8 para predicción). La variable dependiente es la solubilidad y las variables independientes son la temperatura (T) y la presión (P), además de propiedades que identifican a cada líquido iónico, tales como temperatura crítica (Tc), la presión crítica (Pc), el índice de conectividad másico (λ), el factor acéntrico (ω), la masa del catión (M+) y la masa del anión (M-). Se analizaron tres casos, combinando estas variables independientes. El estudio muestra que el modelo de red neuronal propuesto (2,6,1), con cinco variables en la capa de entrada (T, P, Tc, Pc, y (), es la arquitectura adecuada en este estudio. |
|---|