Uma abordagem híbrida de termodinâmica e aprendizado de máquina para a previsão do ponto de fulgor de misturas orgânicas binárias

Resumo

O ponto de fulgor é um parâmetro crítico de segurança que indica a temperatura mais baixa na qual uma mistura líquida inflamável pode entrar em combustão. A estimativa precisa do ponto de fulgor é essencial para a prevenção de riscos no processamento químico e no manuseio de combustíveis; no entanto, a determinação experimental é demorada, dispendiosa e perigosa. Este estudo apresenta uma metodologia combinada de termodinâmica e aprendizado de máquina para prever o ponto de fulgor de misturas orgânicas binárias. Um modelo termodinâmico de Liaw-UNIFAC foi utilizado para gerar dados de pressão de vapor e coeficiente de atividade, que foram então usados para treinar uma Rede Neural Artificial (RNA) para a previsão do ponto de fulgor. O modelo de RNA, configurado com quatro camadas ocultas (10-20-10-5 neurônios), captura relações não lineares complexas entre a composição da mistura, as propriedades moleculares e o ponto de fulgor. A avaliação do modelo em relação aos dados da literatura para oito misturas binárias diversas (incluindo álcoois, alcanos, aromáticos e cetonas) demonstra alta precisão: as previsões do ponto de fulgor da RNA apresentam erros quadráticos médios (EQM) abaixo de 0,1 e R² acima de 0,99 na maioria dos casos, correspondendo de perto tanto aos resultados experimentais quanto ao modelo Liaw-UNIFAC. A abordagem da RNA oferece confiabilidade comparável ao modelo mecanístico de Liaw, ao mesmo tempo que melhora significativamente a eficiência computacional e a adaptabilidade. Essas descobertas destacam o potencial da modelagem termodinâmica híbrida com RNA para aprimorar a segurança do processo, permitindo a estimativa rápida e precisa do ponto de fulgor para misturas complexas sem testes físicos exaustivos.