Predição da entalpia de excesso da mistura dioxido de carbono-acetona utilizando redes neurais artificiais
Carregando...
Data
2023-12-01
Autores
Farias, Renan José de Oliveira [UNIFESP]
Orientadores
Martins, Tiago Dias [UNIFESP]
Tipo
Trabalho de conclusão de curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Parâmetros termodinâmicos são, muitas vezes, valores de difícil obtenção.
Sabendo-se disso, métodos numéricos são ferramentas que se tornam valiosas.
Neste trabalho, utilizou-se as redes neurais artificiais (RNAs), que têm se mostrado
bastante eficientes na resolução de problemas. Foram empregados dados
experimentais da mistura CO2+Acetona, disponíveis na literatura, para realizar o
treinamento de RNAs, visando o cálculo da entalpia de excesso, em diferentes
pressões e temperaturas, em faixa de composição. O treinamento foi realizado tanto
com RNAs com uma camada intermediária, quanto com duas. Os métodos de
otimização testados foram Levenberg-Marquardt, Powel-Beale, Resilient
Backpropagation e Levenberg-Marquardt com Regularização Bayesiana, e as
combinações de funções de ativação testadas foram realizadas entre a tangente
hiperbólica, linear e sigmoidal, com quantidades de neurônios variadas. Observou-se
que a RNA que melhor se adaptou aos dados experimentais obtidos no artigo foi
treinada com o método de Levenberg-Marquardt, com função de ativação sigmoidal
na primeira camada e linear na saída. Como resultado, obteve-se uma RNA capaz
de prever de forma assertiva a entalpia de excesso nas condições de temperatura e
pressão do artigo de referência, com erros percentuais de 1,28%, provando-se mais
eficiente do que os polinômios de Redlich-Kister, que obteve erros de até 5,4%.
Thermodynamic parameters are often challenging to obtain directly, making numerical methods invaluable tools. In this study, artificial neural networks (ANNs) were employed, proving to be highly efficient in problem solving. Experimental data for the CO2+Acetone mixture, available in the literature, were utilized to train ANNs for excess enthalpy calculation across different pressures, temperatures, and composition ranges. Training was conducted using both single layer and two layer ANNs. Optimization methods such as Levenberg Marquardt, Powel Beale, Resilient Backpropagation, and Levenberg Marquardt with Bayesian regularization were tested. Various combinations of activation functions, including hyperbolic tangent, linear, and sigmoidal, were explored with varying neuron quantities. The results revealed that the best adapted ANN to the experimental data employed the Levenberg Marquardt training method, with a sigmoidal activation function in the first layer and a linear function in the output layer. The developed ANN accurately predicted excess enthalpy under the temperature and pressure conditions of the reference article, exhibiting a mere 1.28% error compared to Redlich Kister polynomials, which demonstrated errors of up to 5.4%.
Thermodynamic parameters are often challenging to obtain directly, making numerical methods invaluable tools. In this study, artificial neural networks (ANNs) were employed, proving to be highly efficient in problem solving. Experimental data for the CO2+Acetone mixture, available in the literature, were utilized to train ANNs for excess enthalpy calculation across different pressures, temperatures, and composition ranges. Training was conducted using both single layer and two layer ANNs. Optimization methods such as Levenberg Marquardt, Powel Beale, Resilient Backpropagation, and Levenberg Marquardt with Bayesian regularization were tested. Various combinations of activation functions, including hyperbolic tangent, linear, and sigmoidal, were explored with varying neuron quantities. The results revealed that the best adapted ANN to the experimental data employed the Levenberg Marquardt training method, with a sigmoidal activation function in the first layer and a linear function in the output layer. The developed ANN accurately predicted excess enthalpy under the temperature and pressure conditions of the reference article, exhibiting a mere 1.28% error compared to Redlich Kister polynomials, which demonstrated errors of up to 5.4%.