Resumen de Entrenamiento, prueba y predicción de la solubilidad del dióxido de azufre en líquidos iónicos utilizando redes neuronales artificiales.

Claudio A. Faúndez, Richard A. Campusano

• español

  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.

• English

  The capacity of artificial neural network models (ANN) to correlate and predict the solubility of gases in ionic liquids (ILs) is analyzed. Solubility data of sulfur dioxide (SO2) in eight ionic liquids are considered. A total of 155 data points of solubility (pressure, temperature, and mole fraction; T,P,x) for these systems were taken from the literature. Of these total, 131 data were used for training the network, 16 for testing and 8 for prediction. The dependent variable (target variable) is the solubility and the independent variables are the temperature and pressure. Also some ionic liquid properties were employed as independent variables to distinguish between different ionic liquids: the critical temperature (Tc), the critical pressure (Pc), the mass connectivity index (λ), the acentric factor (ω), the cation mass (M+) and the anion mass (M-). Three cases were considered for analysis, modifying in each case the ionic liquid properties. The study shows that the proposed neural model (2,6,1) with five variables in the inner layer (T, P, Tc, Pc, and (), is the recommended architecture for this study.