02250nab a2200277uuc4500001000800000005001700008008004100025035001200066040001300078041000800091100004200099245011100141336009100252520113700343650003901480650003201519650004801551700005001599700004201649700004701691700005201738700005001790773010301840942001001943999001901953156572820240921090819.0211210m01uu2017                    eng    a1565728  ccomduadb  aeng10aVyhmeister, Eduardo4auteaut966072910aVapor-Liquid equilibria modeling using gray-box neural networks as binary interaction parameters predictor  atextobtxt0(uri)http://www.rdaregistry.info/termList/RDAContentType/#10202rdacontent3 aRESUMEN: Las Simulaciones de Equilibrio Líquido Vapor (VLE) son ampliamente utilizadas dado su impacto en el escalamiento, diseño y extrapolación de diferentes operaciones unitarias. Sin embargo, dado considerable factores, es casi imposible experimentalmente estudiar cada uno de los sistemas de VLE. La simulación de VLE puede ser desarrollada utilizando representaciones que son fuertemente dependientes de la naturaleza e interacción de los compuestos que conforman la mezcla. Un modelo que ayude en la predicción de esas interacciones facilitará el proceso de simulación. Una Red Neuronal Gris (GNM) fue creada como un predictor de parámetros de interacción binaria, los que son estimados utilizando variables de estado e información de componentes puros. Esta información fue utilizada para predecir el comportamiento de VLE en mezclas y rangos no utilizados en la formulación matemática. Las capacidades predictivas del GNM (incluida la dependencia de temperatura) mostraron errores menores al 5% y al 20% para mezclas consideradas y no consideradas en los datos de entrenamiento, respectivamente.  aEquilibrio líquido-vapor9111738  aEcuaciones de estado984845 7aRedes neurales (Computadores)2lemb919899510aRodríguez Pino, Jonathan 4auteaut981547910aReyes Bozo, Lorenzo4auteaut963704710aGalleguillos Pozo, Rosa 4auteaut982050610aValdés González, Héctor4auteaut927884010aRodríguez Maecker, Roman 4auteaut98178660 tDYNA (Medellín)gVolumen 084, Número 203, Diciembre de 2017, 226-232w188384x0012-7353082258  cARIMP  c827139d827139