Uso de Redes Neurais em Grafos na predição dos parâmetros de componentes puros da PC-SAFT: avaliação de pressão de vapor e densidade de componentes não-associáveis e associáveis

• Ano de defesa: 2023
• Autor(a) principal: Lima, Wildson Bernardino de Brito
• Orientador(a): Santos, Everaldo Silvino dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; Predição de propriedades termodinâmicas; Termos não-assossiáveis; Equação de estado
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/58025

A modelagem de propriedades termodinâmicas é essencial para permitir a avaliação e otimização de processos através de ferramentas de simulação. Nisso, as equações de estado tem demonstrado muita capacidade em modelar os mais diversos tipos de moléculas. A equação de estado Perturbed-Chain Statistical Associating Fluid Theory (PC-SAFT) é um dos modelos mais utilizados para esse fim, sendo capaz de modelar moléculas não-associativas, associativas, polares, e até mesmo espécies iônicas. Porém, para utilizar a PC-SAFT, um primeiro passo necessário é fazer a parametrização com dados experimentais, sendo os dados de densidade de líquido saturado e pressão de vapor pré-requisitos mínimos para garantir que a equação de estado produza resultados robustos numa aplicação, como predição do equilíbrio Líquido/Vapor e Líquido/Líquido. Dentro do contexto dos bioprocessos, há uma maior dificuldade em se obter esses dados experimentais devido às limitações tanto físicas quanto econômicas que as moléculas apresentam. Este é o caso dos líquidos iônicos e solventes eutéticos profundos que têm atraído atenção da comunidade científica em diversos processos, como a extração de proteínas. Esses compostos, porém, apresentam pressão de vapor negligenciáveis, isto sendo uma das propriedades que tornam eles tão atrativos. Os modelos de aprendizado de máquina por sua vez, apesar de serem inviáveis para modelar grande variedade de propriedades termodinâmicas, como as equações de estado o fazem, são muito robustos em encontrar padrões complexos que podem existir, por exemplo, entre moléculas e seus parâmetros de componente puro. Nesse contexto, no presente estudo foram desenvolvidos dois modelos de aprendizagem profunda do tipo Redes Neurais em Grafos para predizer os parâmetros de componentes puros da PC-SAFT, referentes ao hard-chain e à dispersão, a partir dos grafos das moléculas, dispensando a necessidade de dados experimentais. Os modelos demonstraram ótimo desempenho no conjunto de teste, formado por moléculas não-associativas, associativas e espécies iônicas. O Modelo 1 apresentou média de erro absoluto percentual de 10,96% e 25,94% em relação a densidade de líquido e vapor e pressão de vapor, respectivamente. O Modelo 2 teve melhor desempenho com 5,03% e 19,22% de densidade e pressão de vapor, respectivamente. O desempenho dos parâmetros previstos pelos modelos foi demonstrado nas moléculas de água, furfuranol, etanol, 1-butyl-3-methylimidazolium bis(trifluoromethylsulfonyl)imide e 1-butyl-3-methylimidazolium tetrafluoroborate. Também foi identificado a necessidade de predição de parâmetros relativos à associação e à polaridade do PC-SAFT, de forma a utilizar a equação de estado em sua potência máxima.