Application of artificial neural network for prediction of halogenated refrigerants vapor pressure

• Autores: Abazar Vahdat Azad, Ali Kargari
• Localización: Afinidad: Revista de química teórica y aplicada, ISSN 0001-9704, Vol. 67, Nº. 547, 2010, págs. 227-234
• Idioma: inglés
• Títulos paralelos:
  • Aplicació d’una xarxa neuronal artificial per a la predicció de la pressió de vapor de refrigerants halogenats
  • Aplicación de una red neuronal artificial para la predicción de la presión de vapor de refrigerantes halogenados
• Enlaces
  • Texto completo
• Resumen
  • español

    Se presenta la aplicación de una red neuronal artificial (RNA) para modelar la presión de vapor de algunos refrigerantes halogenados (metanos y etanos halogenados). La estructura de la red neuronal es de tipo no recurrente con algoritmo de retropropagación. Se determina el número óptimo de capas ocultas y de neuronas entre capas mediante un procedimiento de ensayo y error. Los parámetros de la red neuronal se obtienen mediante una fase de aprendizaje empleando el algoritmo de Levenberg- Marquardt. Los valores de presión de vapor a diferentes temperaturas obtenidos a partir de bibliografía de acceso abierto se consideran el objetivo del modelo neuronal. Las predicciones RNA de la presión de vapor son mas precisas para un intervalo de temperaturas mas amplio. La modelización RNA reduce el error medio para los refrigerantes de 0,69% a 0,31% para el intervalo de temperatura baja, y de 1,39% a 0,99% para el intervalo de temperatura alta. Finalmente, la modelización RNA reduce el error medio en comparación con la ecuación de Antoine en un 47,88% y un 32,18% para los intervalos de temperatura baja y alta, respectivamente.

  • català

    Es presenta l’aplicació d’una xarxa neuronal artificial (XNA) per modelar la pressió de vapor d’alguns refrigerants halogenats (metans i etans halogenats). L’estructura de la xarxa neuronal és de tipus no recurrent amb algorisme de retropropagació. Es determina el número òptim de capes ocultes i de neurones entre capes mitjançant un procediment d’assaig i error. Els paràmetres de la xarxa neuronal s’obtenen mitjançant una fase d’aprenentatge emprant l’algorisme de Levenberg-Marquardt. Els valors de pressió de vapor a diferents temperatures obtinguts a partir de bibliografia d’accés obert es consideren l’objectiu del model neuronal. Les prediccions XNA de la pressió de vapor són més precises per a un interval de temperatures més ampli. La modelització XNA redueix l’error mitjà per als refrigerants de 0,69% a 0,31% per al interval de temperatura baixa, i d’1,39% a 0,99% per al interval de temperatura alta. Finalment, la modelització XNA redueix l’error mitjà en comparació amb l’equació d’Antoine en un 47,88% i un 32,18% per als intervals de temperatura baixa i alta, respectivament.

  • English

    Application of Artificial Neural Network (ANN) for modeling of vapor pressure for some halogenated refrigerants (halo-genated methanes and ethanes) is presented. Neural network training structure was feedforward with back-propagation algorithm. The optimized number of hidden layer and neurons between layers were determined by a trial and error procedure. Neural network parameters were obtained through a learning phase by Levenberg-Marquardt algorithm. The vapor pressure at different temperatures obtained from open literatures was considered as the neural model target. ANN predictions of vapor pressure are more accurate for a wider range of temperature. The ANN modeling reduced the average error for the refrigerants from 0.69% to 0.31% for low temperature range and from 1.39% to 0.99% for high temperature range. Finally, ANN modeling reduced the average error in comparison to the Antoine equation by 47.88% and 32.18% for low and high temperature range, respectively.