Predicción de propiedades termofísicas provenientes de datos ppt de sistemas binarios alcano-cloroalcano, usando un método de contribución de grupos

El diseño de procesos químicos es de gran importancia en la industria y se beneficia, en gran medida, de la estimación de propiedades termofísicas con alto grado de precisión. Entre los compuestos químicos altamente usados en la industria química, farmacéutica y petrolera se encuentran los alcanos,...

Full description

Autores:
Quintero Monroy, Maria Alejandra
Tipo de recurso:
http://purl.org/coar/version/c_b1a7d7d4d402bcce
Fecha de publicación:
2018
Institución:
Universidad Industrial de Santander
Repositorio:
Repositorio UIS
Idioma:
spa
OAI Identifier:
oai:noesis.uis.edu.co:20.500.14071/39005
Acceso en línea:
https://noesis.uis.edu.co/handle/20.500.14071/39005
https://noesis.uis.edu.co
Palabra clave:
Propiedades Termofísicas
Alcanos
Cloroalcanos
Sistemas Alcano-Cloroalcano
Python
Aprendizaje Automático
Contribución De Grupos.
Thermophysical Properties
Alkanes
Chloroalkanes
Alkane-Chloroalkane Systems
Python
Machine Learning
Group Contributions.
Rights
License
Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
id UISANTADR2_9684b452c2e8ebf532196fabd528d1a2
oai_identifier_str oai:noesis.uis.edu.co:20.500.14071/39005
network_acronym_str UISANTADR2
network_name_str Repositorio UIS
repository_id_str
dc.title.none.fl_str_mv Predicción de propiedades termofísicas provenientes de datos ppt de sistemas binarios alcano-cloroalcano, usando un método de contribución de grupos
dc.title.english.none.fl_str_mv Prediction of thermophysical properties from pt data for alkane-chloroalkane binary systems, using a group contribution method*
title Predicción de propiedades termofísicas provenientes de datos ppt de sistemas binarios alcano-cloroalcano, usando un método de contribución de grupos
spellingShingle Predicción de propiedades termofísicas provenientes de datos ppt de sistemas binarios alcano-cloroalcano, usando un método de contribución de grupos
Propiedades Termofísicas
Alcanos
Cloroalcanos
Sistemas Alcano-Cloroalcano
Python
Aprendizaje Automático
Contribución De Grupos.
Thermophysical Properties
Alkanes
Chloroalkanes
Alkane-Chloroalkane Systems
Python
Machine Learning
Group Contributions.
title_short Predicción de propiedades termofísicas provenientes de datos ppt de sistemas binarios alcano-cloroalcano, usando un método de contribución de grupos
title_full Predicción de propiedades termofísicas provenientes de datos ppt de sistemas binarios alcano-cloroalcano, usando un método de contribución de grupos
title_fullStr Predicción de propiedades termofísicas provenientes de datos ppt de sistemas binarios alcano-cloroalcano, usando un método de contribución de grupos
title_full_unstemmed Predicción de propiedades termofísicas provenientes de datos ppt de sistemas binarios alcano-cloroalcano, usando un método de contribución de grupos
title_sort Predicción de propiedades termofísicas provenientes de datos ppt de sistemas binarios alcano-cloroalcano, usando un método de contribución de grupos
dc.creator.fl_str_mv Quintero Monroy, Maria Alejandra
dc.contributor.advisor.none.fl_str_mv Guerrero Amaya, Hernando
Parra Ramirez, Martha Josefina
dc.contributor.author.none.fl_str_mv Quintero Monroy, Maria Alejandra
dc.subject.none.fl_str_mv Propiedades Termofísicas
Alcanos
Cloroalcanos
Sistemas Alcano-Cloroalcano
Python
Aprendizaje Automático
Contribución De Grupos.
topic Propiedades Termofísicas
Alcanos
Cloroalcanos
Sistemas Alcano-Cloroalcano
Python
Aprendizaje Automático
Contribución De Grupos.
Thermophysical Properties
Alkanes
Chloroalkanes
Alkane-Chloroalkane Systems
Python
Machine Learning
Group Contributions.
dc.subject.keyword.none.fl_str_mv Thermophysical Properties
Alkanes
Chloroalkanes
Alkane-Chloroalkane Systems
Python
Machine Learning
Group Contributions.
description El diseño de procesos químicos es de gran importancia en la industria y se beneficia, en gran medida, de la estimación de propiedades termofísicas con alto grado de precisión. Entre los compuestos químicos altamente usados en la industria química, farmacéutica y petrolera se encuentran los alcanos, cloroalcanos y sus mezclas binarias. Por tal razón, es deseable el proponer un modelo que estime dichas propiedades de manera sencilla. Se realizó el modelamiento de densidades para alcanos, cloroalcanos y sus mezclas binarias en Python, mediante aprendizaje automático por 2012. Los modelos propuestos son regresiones lineales multivariables entrenados con tan solo el 5% de los datos experimentales disponibles y con desviación relativa cuadrática media (DRCM) menor al 0,34. Además de ser modelos sencillos, se evidencia su versatilidad al poder utilizarlos para estimar las densidades de compuestos y mezclas no incluidos y a condiciones fuera del rango de temperaturas y presiones estudiados por Guerrero Amaya. Los modelos superan la ecuación de estado de Peng-Robinson y, en algunos casos, las predicciones obtenidas con correlaciones avanzadas para densidades líquidas (ej. Modelo COSTALD). Los modelos obtenidos también permiten estimar propiedades termofísicas como la expansibilidad isobárica, compresibilidad isotérmica y presión interna, tanto de sustancias puras como de mezclas. Dichas propiedades se obtienen mediante expresiones explícitas sencillas en función de los coeficientes de los modelos y las condiciones de operación.
publishDate 2018
dc.date.available.none.fl_str_mv 2018
2024-03-04T00:08:49Z
dc.date.created.none.fl_str_mv 2018
dc.date.issued.none.fl_str_mv 2018
dc.date.accessioned.none.fl_str_mv 2024-03-04T00:08:49Z
dc.type.local.none.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.hasversion.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.coar.none.fl_str_mv http://purl.org/coar/version/c_b1a7d7d4d402bcce
format http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.identifier.uri.none.fl_str_mv https://noesis.uis.edu.co/handle/20.500.14071/39005
dc.identifier.instname.none.fl_str_mv Universidad Industrial de Santander
dc.identifier.reponame.none.fl_str_mv Universidad Industrial de Santander
dc.identifier.repourl.none.fl_str_mv https://noesis.uis.edu.co
url https://noesis.uis.edu.co/handle/20.500.14071/39005
https://noesis.uis.edu.co
identifier_str_mv Universidad Industrial de Santander
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv http://creativecommons.org/licenses/by/4.0/
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv http://creativecommons.org/licenses/by-nc/4.0
dc.rights.creativecommons.none.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
rights_invalid_str_mv Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
http://creativecommons.org/licenses/by/4.0/
http://creativecommons.org/licenses/by-nc/4.0
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Industrial de Santander
dc.publisher.faculty.none.fl_str_mv Facultad de Ingenierías Fisicoquímicas
dc.publisher.program.none.fl_str_mv Ingeniería Química
dc.publisher.school.none.fl_str_mv Escuela de Ingeniería Química
publisher.none.fl_str_mv Universidad Industrial de Santander
institution Universidad Industrial de Santander
bitstream.url.fl_str_mv https://noesis.uis.edu.co/bitstreams/d40621af-9ded-422b-8d04-c94e050ebcf8/download
https://noesis.uis.edu.co/bitstreams/2f1af635-e841-44e0-8bd4-6780a756a4e6/download
https://noesis.uis.edu.co/bitstreams/264cd5f3-9ace-4f44-b89a-b2a2ed6d737c/download
bitstream.checksum.fl_str_mv 2d927f073f3c49108a8777ba3fba4488
6c524afec534a470f7ca657d17391924
028898a48061a9b4cbced22a8dbfddbe
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv DSpace at UIS
repository.mail.fl_str_mv noesis@uis.edu.co
_version_ 1814095232055115776
spelling Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)http://creativecommons.org/licenses/by/4.0/http://creativecommons.org/licenses/by-nc/4.0Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Guerrero Amaya, HernandoParra Ramirez, Martha JosefinaQuintero Monroy, Maria Alejandra2024-03-04T00:08:49Z20182024-03-04T00:08:49Z20182018https://noesis.uis.edu.co/handle/20.500.14071/39005Universidad Industrial de SantanderUniversidad Industrial de Santanderhttps://noesis.uis.edu.coEl diseño de procesos químicos es de gran importancia en la industria y se beneficia, en gran medida, de la estimación de propiedades termofísicas con alto grado de precisión. Entre los compuestos químicos altamente usados en la industria química, farmacéutica y petrolera se encuentran los alcanos, cloroalcanos y sus mezclas binarias. Por tal razón, es deseable el proponer un modelo que estime dichas propiedades de manera sencilla. Se realizó el modelamiento de densidades para alcanos, cloroalcanos y sus mezclas binarias en Python, mediante aprendizaje automático por 2012. Los modelos propuestos son regresiones lineales multivariables entrenados con tan solo el 5% de los datos experimentales disponibles y con desviación relativa cuadrática media (DRCM) menor al 0,34. Además de ser modelos sencillos, se evidencia su versatilidad al poder utilizarlos para estimar las densidades de compuestos y mezclas no incluidos y a condiciones fuera del rango de temperaturas y presiones estudiados por Guerrero Amaya. Los modelos superan la ecuación de estado de Peng-Robinson y, en algunos casos, las predicciones obtenidas con correlaciones avanzadas para densidades líquidas (ej. Modelo COSTALD). Los modelos obtenidos también permiten estimar propiedades termofísicas como la expansibilidad isobárica, compresibilidad isotérmica y presión interna, tanto de sustancias puras como de mezclas. Dichas propiedades se obtienen mediante expresiones explícitas sencillas en función de los coeficientes de los modelos y las condiciones de operación.PregradoIngeniero QuímicoThe design of chemical processes is of great importance in industry and greatly benefits from the accurate estimation of thermophysical properties. Alkanes, chloroalkanes and their binary mixtures are among the chemical species most used in the chemical, pharmaceutical and petroleum industries. For this reason, proposing a model that can estimate their thermophysical properties accurately and readily is of great interest. A group contribution liquid density model for alkanes, chloroalkanes and their binary mixtures was fit to PT experimental data obtained from Guerrero Amaya (2012) using . The proposed models consist of multivariate linear regressions, which were trained with only 5% of the experimental dataset. These models provide high accuracy with normalized root-mean-square errors (NRMSE) of less than 0.34%. In addition to being simple models, these models are very flexible, as they can be used to estimate liquid densities of compounds and mixtures not included or under conditions outside the temperature and pressure ranges studied by Guerrero Amaya. These models provide superior results to Peng-Robinson calculations and, in some cases, surpass the performance of advanced correlations for liquid densities (i.e. COSTALD). Thermophysical properties such as isobaric thermal expansivity, isothermal compressibility and internal pressure of pure substances and mixtures can be calculated from these models via simple explicit expressions that depend on model coefficients and operating conditions.application/pdfspaUniversidad Industrial de SantanderFacultad de Ingenierías FisicoquímicasIngeniería QuímicaEscuela de Ingeniería QuímicaPropiedades TermofísicasAlcanosCloroalcanosSistemas Alcano-CloroalcanoPythonAprendizaje AutomáticoContribución De Grupos.Thermophysical PropertiesAlkanesChloroalkanesAlkane-Chloroalkane SystemsPythonMachine LearningGroup Contributions.Predicción de propiedades termofísicas provenientes de datos ppt de sistemas binarios alcano-cloroalcano, usando un método de contribución de gruposPrediction of thermophysical properties from pt data for alkane-chloroalkane binary systems, using a group contribution method*Tesis/Trabajo de grado - Monografía - Pregradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_b1a7d7d4d402bcceORIGINALCarta de autorización.pdfapplication/pdf306889https://noesis.uis.edu.co/bitstreams/d40621af-9ded-422b-8d04-c94e050ebcf8/download2d927f073f3c49108a8777ba3fba4488MD51Documento.pdfapplication/pdf4556131https://noesis.uis.edu.co/bitstreams/2f1af635-e841-44e0-8bd4-6780a756a4e6/download6c524afec534a470f7ca657d17391924MD52Nota de proyecto.pdfapplication/pdf295814https://noesis.uis.edu.co/bitstreams/264cd5f3-9ace-4f44-b89a-b2a2ed6d737c/download028898a48061a9b4cbced22a8dbfddbeMD5320.500.14071/39005oai:noesis.uis.edu.co:20.500.14071/390052024-03-03 19:08:49.335http://creativecommons.org/licenses/by-nc/4.0http://creativecommons.org/licenses/by/4.0/open.accesshttps://noesis.uis.edu.coDSpace at UISnoesis@uis.edu.co