Liquid-liquid equilibrium prediction of ternary systems related to biodiesel production using UNIFAC (Dortmund) and machine learning
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Ante el incremento de las emisiones de gases de efecto invernadero, el biodiésel destaca como una alternativa renovable compatible con la infraestructura actual. No obstante, su producción enfrenta desafíos termodinámicos debido a la formación de equilibrios líquidolíquido (ELL). Dado que la estimación precisa de fases es crucial para la viabilidad técnica y económica del proceso, este trabajo recopiló 1,468 líneas de atadura provenientes de 54 publicaciones para desarrollar una base de datos refinada que permitiera la correlación de modelos mejorados.
Tras un riguroso preprocesamiento que incluyó filtrado por balance de masa, reconciliación de datos y análisis estadístico, se excluyó el 23% de los datos experimentales originales que no cumplían con los principios de conservación de masa. A partir de la base de datos depurada, se desarrollaron: i) un método corto para el cálculo de ELL, ii) una correlación de parámetros de interacción de grupos para los modelos UNIFAC y UNIFAC (Dortmund), y iii) un modelo basado en el algoritmo de machine learning XGBoost. Como línea base para comparar los modelos desarrollados, se utilizó el modelo UNIFAC con el estado del arte de parámetros de interacción de grupos específicos para sistemas de biodiésel. Los resultados mostraron que el método corto, UNIFAC y UNIFAC (Dortmund) correlacionados en este trabajo obtuvieron errores cuadráticos medios (RMSE) de 0.0597, 0.0594 y 0.0596, respectivamente, superando en un 45% las predicciones del modelo de referencia. Por su parte, el modelo XGBoost presentó un rendimiento superior con un RMSE de 0.0093, lo que representa una mejora del 91% frente al modelo de referencia. Finalmente, un análisis de sensibilidad reveló que solo 26 de los 90 parámetros de UNIFAC (Dortmund) impactan significativamente la precisión, identificando las interacciones éster-agua como las más sensibles a la temperatura y sugiriendo que para los sistemas relacionados con la producción de biodiesel un modelo termodinámico más simple es potencialmente suficiente. (Texto tomado de la fuente)
Abstract
In response to increasing greenhouse gas emissions, biodiesel stands out as a renewable alternative compatible with existing infrastructure. However, its production faces thermodynamic challenges due to the formation of liquid-liquid equilibria (LLE). Since accurate phase estimation is crucial for the technical and economic viability of the process, this work compiled 1,468 tie lines from 54 publications to develop a refined database that would enable the correlation of improved models. After rigorous preprocessing that included mass balance filtering, data reconciliation, and statistical analysis, 23% of the original experimental data that did not comply with mass conservation principles were excluded. From the refined database, the following were developed: i) a shortcut method for LLE calculation, ii) a correlation of group interaction parameters for the UNIFAC and UNIFAC Dortmund) models, and iii) a model based on the XGBoost machine learning algorithm. As a baseline for comparing the developed models, the UNIFAC model with state-of-theart group interaction parameters specific to biodiesel systems was used. The results showed that the shortcut method, UNIFAC, and UNIFAC (Dortmund) correlated in this work achieved root mean square errors (RMSE) of 0.0597, 0.0594, and 0.0596, respectively, surpassing the reference model's predictions by 45%. Meanwhile, the XGBoost model demonstrated superior performance with an RMSE of 0.0093, representing a 91% improvement over the reference model. Finally, a sensitivity analysis revealed that only 26 of the 90 UNIFAC (Dortmund) parameters significantly impact accuracy, identifying esterwater interactions as the most temperature-sensitive and suggesting that for biodiesel production-related systems, a simpler thermodynamic model might be sufficient.
Palabras clave propuestas
Descripción
ilustraciones a color, diagramas, tablas