Desarrollo de una RNA para el control de la destilación extractiva asistida por recompresión de vapor para la separación de N-Hexano y acetato de etilo
El n-hexano y Acetato de etilo son disolventes orgánicos muy requeridos en la industria química, sin embargo, el principal problema se encuentra cuando forman azeótropos de ebullición mínima, los cuales no pueden ser separados usando destilación simple, una alternativa efectiva es emplear destilació...
Guardat en:
| Autor principal: | |
|---|---|
| Format: | bachelorThesis |
| Idioma: | spa |
| Publicat: |
2023
|
| Matèries: | |
| Accés en línia: | https://dspace.espoch.edu.ec/handle/123456789/20336 |
| Etiquetes: |
Afegir etiqueta
Sense etiquetes, Sigues el primer a etiquetar aquest registre!
|
Afegir etiqueta | Sumari: | El n-hexano y Acetato de etilo son disolventes orgánicos muy requeridos en la industria química, sin embargo, el principal problema se encuentra cuando forman azeótropos de ebullición mínima, los cuales no pueden ser separados usando destilación simple, una alternativa efectiva es emplear destilación extractiva, no obstante, este proceso consume grandes cantidades de energía, por lo que, el objetivo principal consistió en implementar una bomba de recompresión de vapor al proceso de destilación extractiva para mejorar la eficiencia energética del proceso y permitir la separación de estos compuestos en componentes puros, mediante una plataforma de simulación, para posteriormente predecir las fracciones molares de N- hexano y Acetato de Etilo mediante una Red Neuronal Artificial. Como primer paso de la metodología se simuló el proceso en DWSIM, seguido, se generó una base de datos dispuesta en cuatros entradas; temperatura del flujo de alimentación, flujos másicos de alimentación y reposición en la torre de destilación extractiva (EDC) y ratio de reflujo en la torre de recuperación (ERC) y cuatro salidas correspondientes a los productos destilados; N-hexano (Destilado de EDC), NMP (fondo de EDC), Acetato de etilo (Destilado de ERC) y NMP (fondo de ERC) para la creación y entrenamiento ARN usando MATLAB, se compararon los rendimientos de los algoritmos y se eligió el más adecuado de acuerdo a las pruebas estadísticas de error cuadrático (MSE) y Regresión Lineal (R). Los resultados de simulación presentan un error promedio porcentual del 3.18%, además para el algoritmo Bayesian Regularization (BR) se obtuvo resultados de MSE=2.5696E-07 y R=0.99397. En tal contexto se concluye que los porcentajes de error obtenidos no superan el 10%, lo que indica que la simulación es adecuada para el proceso y el modelo construido es capaz de predecir las fracciones molares en estudio con un error promedio del 0.93%. |
|---|