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,...
- 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
- 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 |