Influencia de datos declarados termodinámicamente inconsistentes en el modelado de la solubilidad de gases refrigerantes en líquidos iónicos mediante un perceptrón multicapa.

Abstract

Un test de consistencia termodinámica es aplicado para analizar datos de equi librio 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 solubilitdad (P, T, x). El principal propósito de esta tesis es analizar la influencia de los datos experimentales que son declarados como termodinámi camente 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 categorias: termodinámicamente consistentes, no completamente consistentes y termodinámicamente inconsisten tes. Posteriormente, un perceptrón multicapa es entrenado para predecir la solubi lidad en tres casos: i) aprendizaje con isotermas declaradas termodinamicamente consistentes, ii) aprendizaje con isotermas declaradas termodinámicamente con sistentes y no completamente consistentes y, iii) aprendizaje utilizando todas las isotermas, incluso aquella que fueron declaradas termodinámicamente inconsis tentes. 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 con sistentes son suficientes para encontrar una red neuronal artificial con un número razonable de parámetros, en comparación con los datos experimetales.