Modelo neuronal híbrido basado en la ecuación de estado de Peng-Robinson para predecir el equilibrio líquido vapor en la mezcla CO2-H2O

Abstract

En este trabajo, se estudió el equilibrio líquido-vapor (ELV) de la mezcla CO₂-H₂O, empleando la ecuación de estado de Peng-Robinson (EOS-PR). Se identificó que la EOS-PR no ajustaba adecuadamente al comportamiento experimental, especialmente en la curva de rocío. Con el objetivo de mejorar las predicciones, se desarrolló un modelo híbrido utilizando redes neuronales. Para ello, se creó un algoritmo que permite calcular el parámetro “a” de mezcla en fase liquida de la EOS-PR y el parámetro de interacción binaria “sij” de la regla de mezcla de Van der Waals utilizando las fracciones molares experimentales de CO2 en fase líquida y vapor, las presiones y la temperatura de cada isoterma y aplicando el método de optimización estocástica de recocido simulado en un rango de temperaturas entre 267°C a 350°C. A partir de este análisis, se implementaron dos redes neuronales con arquitectura [2, 20, 10, 1], una para predecir el parámetro de interacción binaria “sij” y otra para ajustar el parámetro “a” de mezcla en fase líquida mediante una corrección al valor determinado por la regla de mezcla de Van der Waals. Los modelos fueron entrenados utilizando datos experimentales parametrizados recopilados por Tödheide & Franck (1963), y se aplicó un aumento de datos mediante splines paramétricos. Los resultados muestran que la combinación de funciones de activación ReLU-TanH predicen las isotermas experimentales con un error medio de porcentaje absoluto de 2.09% para temperaturas entre 267°C a 350°C, y la combinación de funciones de activación ReLU-ReLU predicen las isotermas experimentales con un error medio de porcentaje absoluto de 1.81% para temperaturas entre 267°C a 300°C. Este enfoque permite obtener una mejor representación del comportamiento del ELV de la mezcla CO₂-H₂O, comparado con las predicciones de la EOS-PR sin corrección.

In this work, the liquid-vapor equilibrium (VLE) of the CO₂-H₂O mixture was studied using the Peng-Robinson equation of state (EOS-PR). It was found that EOS-PR did not adequately fit the experimental behavior, especially in the dew curve. To improve predictions, a hybrid model using neural networks was developed. An algorithm was created to calculate the “a” mixing parameter in the liquid phase of the EOS-PR and the binary interaction parameter “sij” from the Van der Waals mixing rule, using experimental mole fractions of CO₂ in the liquid and vapor phases, pressures, and temperatures for each isotherm. The simulated annealing stochastic optimization method was applied over a temperature range between 267°C and 350°C. From this analysis, two neural networks with architecture [2, 20, 10, 1] were implemented: one to predict the binary interaction parameter “sij,” and another to adjust the “a” mixing parameter in the liquid phase by correcting the value determined by the Van der Waals mixing rule. The models were trained using parametrized experimental data collected by Tödheide & Franck (1963), and data augmentation was performed using parametric splines. The results show that the combination of ReLU-TanH activation functions predicted the experimental isotherms with a mean absolute percentage error of 2.09% for temperatures between 267°C and 350°C, and the combination of ReLU-ReLU activation functions predicted the experimental isotherms with a mean absolute percentage error of 1.81% for temperatures between 267°C and 300°C. This approach provides a better representation of the VLE behavior of the CO₂-H₂O mixture compared to EOS-PR predictions without corrections.