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...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Faúndez,Claudio A., Campusano,Richard A.
Lenguaje:	Spanish / Castilian
Publicado:	Centro de Información Tecnológica 2018
Materias:	solubilidad de SO2 líquidos iónicos equilibrio líquido-gas redes neuronales artificales
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!

id	oai:scielo:S0718-07642018000300097
record_format	dspace
spelling	oai:scielo:S0718-076420180003000972018-07-24Entrenamiento, Prueba y Predicción de la Solubilidad del Dióxido de Azufre en Líquidos Iónicos utilizando Redes Neuronales ArtificialesFaúndez,Claudio A.Campusano,Richard A. solubilidad de SO2 líquidos iónicos equilibrio líquido-gas redes neuronales artificales 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.info:eu-repo/semantics/openAccessCentro de Información TecnológicaInformación tecnológica v.29 n.3 20182018-06-01text/htmlhttp://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-07642018000300097es10.4067/S0718-07642018000300097
institution	Scielo Chile
collection	Scielo Chile
language	Spanish / Castilian
topic	solubilidad de SO2 líquidos iónicos equilibrio líquido-gas redes neuronales artificales
spellingShingle	solubilidad de SO2 líquidos iónicos equilibrio líquido-gas redes neuronales artificales Faúndez,Claudio A. Campusano,Richard A. Entrenamiento, Prueba y Predicción de la Solubilidad del Dióxido de Azufre en Líquidos Iónicos utilizando Redes Neuronales Artificiales
description	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.
author	Faúndez,Claudio A. Campusano,Richard A.
author_facet	Faúndez,Claudio A. Campusano,Richard A.
author_sort	Faúndez,Claudio A.
title	Entrenamiento, Prueba y Predicción de la Solubilidad del Dióxido de Azufre en Líquidos Iónicos utilizando Redes Neuronales Artificiales
title_short	Entrenamiento, Prueba y Predicción de la Solubilidad del Dióxido de Azufre en Líquidos Iónicos utilizando Redes Neuronales Artificiales
title_full	Entrenamiento, Prueba y Predicción de la Solubilidad del Dióxido de Azufre en Líquidos Iónicos utilizando Redes Neuronales Artificiales
title_fullStr	Entrenamiento, Prueba y Predicción de la Solubilidad del Dióxido de Azufre en Líquidos Iónicos utilizando Redes Neuronales Artificiales
title_full_unstemmed	Entrenamiento, Prueba y Predicción de la Solubilidad del Dióxido de Azufre en Líquidos Iónicos utilizando Redes Neuronales Artificiales
title_sort	entrenamiento, prueba y predicción de la solubilidad del dióxido de azufre en líquidos iónicos utilizando redes neuronales artificiales
publisher	Centro de Información Tecnológica
publishDate	2018
url	http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-07642018000300097
work_keys_str_mv	AT faundezclaudioa entrenamientopruebaypredicciondelasolubilidaddeldioxidodeazufreenliquidosionicosutilizandoredesneuronalesartificiales AT campusanoricharda entrenamientopruebaypredicciondelasolubilidaddeldioxidodeazufreenliquidosionicosutilizandoredesneuronalesartificiales
_version_	1714201583250571264

Entrenamiento, Prueba y Predicción de la Solubilidad del Dióxido de Azufre en Líquidos Iónicos utilizando Redes Neuronales Artificiales

Ejemplares similares