Predicción de densidad y viscosidad del biodiésel a partir de redes neuronales artificiales Public Deposited
The triple effect of the depletion of fossil fuel reserves, pollution from conventional fuels, and the increasing energy demand has encouraged the search for alternative energy sources that are clean, sustainable, reliable, and economically viable. Biomass is an alternative energy source to produce biofuels. For example, biodiesel, which is obtained from vegetable oils or animal fats and can be used in engines replacing fossil diesel since its similar physical properties. The biodiesel used in diesel engines must comply with a series of quality standards, among which density and viscosity stand out since both properties are related to performance parameters and engine power output, where it is also necessary to know these properties to the design, construction, operation, optimization and control of processes. The determination of the density and viscosity of biodiesel is carried out based on standard test methods, so the cost of execution is high, technically challenging, time and energy-consuming, so we have been developed prediction models in this work density and dynamic viscosity of alkyl esters (pure components of biodiesel), pure biodiesel and biodiesel blends. We developed the models using experimental databases collected from the literature and artificial neural networks, a useful tool to design mathematical models. Each model was designed based on a two-layer advance neural network, one hidden and one output, where the sigmoid and identity functions served as transfer functions. We considered the temperature and functional groups present in each compound as input variables for the models in charge of predicting the alkyl esters properties. On the other hand, the models for predicting the properties of pure biodiesel and biodiesel mixtures the input variables were the temperature and composition of alkyl esters present in the biofuel. We carried out trials with 2, 4, 6, 8, and 10 neurons, where the optimal number of neurons coincided in all cases and was 10. Since as the number of neurons increases, the model reproduces the experimental data more accurately. The Bayesian regularization training algorithm was the most suitable for modeling the linear behavior of density versus temperature. The Levenberg-Marquart training algorithm was the most appropriate for modeling the non-linear behavior of viscosity as a function of temperature. In all cases, there is a good concordance between the experimental and calculated data because they have correlation coefficients greater than 0.99. Although we can find various models to predict the biodiesel density and viscosity, the models developed in this study represent a novel contribution to predict the properties of both pure biodiesel and mixtures in a wide temperature range. Also, we constructed those models using 15 methyl esters for the accurate estimation of the composition of any pure biodiesel or biodiesel mixture.
El triple efecto del agotamiento de las reservas de combustibles fósiles, la contaminación por el uso de combustibles convencionales y la demanda cada vez mayor de energía, ha incentivado la búsqueda de fuentes alternativas de energía, que sean limpias, sostenibles, confiables y económicamente viables. La biomasa es una fuente alternativa de energía, a partir de la cual se pueden obtener diversos tipos de biocombustibles, entre ellos destaca el biodiésel, el cual es una alternativa prometedora para sustituir al diésel fósil, ya que cuenta con propiedades físicas similares. El biodiésel utilizado en motores diésel debe cumplir con una serie de estándares de calidad, dentro de los que destacan la densidad y viscosidad, ya que ambas propiedades están relacionadas con parámetros de rendimiento y potencia de salida del motor, además es necesario conocer dichas propiedades para el diseño, construcción, operación, optimización y control de procesos. La determinación de la densidad y viscosidad del biodiésel se realiza con base en métodos estándar de prueba, por lo que el costo de la ejecución es alto, técnicamente desafiante, consume tiempo y energía, por lo que en este trabajo se han desarrollado modelos de predicción de densidad y viscosidad dinámica de ésteres alquílicos (componentes puros del biodiésel), biodiésel puro y mezclas de biodiésel. Los modelos fueron desarrollados utilizando bases de datos experimentales recopilados de literatura y redes neuronales artificiales, las cuales son una herramienta para el diseño de modelos matemáticos. Cada modelo fue diseñado con base en una red neuronal de avance de dos capas, una oculta y una de salida, donde las funciones sigmoide e identidad fungieron como funciones transferencia. En los modelos de predicción de propiedades de ésteres alquílicos se consideraron como variables de entrada la temperatura y los grupos funcionales presentes en la estructura de cada compuesto, mientras que en los modelos de predicción de propiedades de biodiésel puro y mezclas de biodiésel las variables de entrada fueron la temperatura y composición de alquil ésteres presentes en el biocombustible. Se realizaron ensayos con 2, 4, 6, 8 y 10 neuronas, pero el número de neuronas óptimo coincidió en todos los casos y fue de 10, ya que, a mayor número de neuronas, el modelo reproduce con mayor exactitud los datos experimentales. El algoritmo de entrenamiento de regularización bayesiana fue el más adecuado para modelar el comportamiento lineal de la densidad frente a la temperatura, mientras que el algoritmo de entrenamiento de Levenberg-Marquard fue seleccionado como el más apropiado para modelar el comportamiento no lineal de la viscosidad en función de la temperatura. En todos los casos, hay una gran concordancia entre los datos experimentales y los calculados debido a que tienen coeficientes de correlación mayores a 0.99. En la literatura se pueden encontrar diversos modelos de predicción de propiedades del biodiésel, sin embargo, los desarrollados en este estudio representan un aporte a la literatura por ser capaces de predecir propiedades tanto de biodiéseles puros como de mezclas en un amplio rango de temperatura, además, otro aspecto que diferencía los modelos de predicción desarrollados es que fueron diseñados considerando 15 ésteres metílicos, a fin de representar con mayor exactitud la composición de cualquier biodiésel puro o mezcla de biodiéseles.
Relationships
| In Administrative Set: |
|---|
Descriptions
| Attribute Name | Values |
|---|---|
| Creador | |
| Contributors | |
| Tema | |
| Editor | |
| Idioma | |
| Identificador | |
| Keyword | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
