In this present work we combined the physical consistency of a thermodynamic model with the learning capacity and extraction of relevant information from neural networks. We used a model that uses both simulation of a neural network trained with data from the thermodynamic model (given by the modified Raoult's law with Wilson model for the nonidealities of the liquid phase) as the simulation provided by another neural network trained with only experimental data. In order to hybridize the simulation, we applied the method of linear least squares correction on a numerical operator that connects the two simulations. The results show significant improvement in VLE predictions compared to traditional methods (thermodynamic model and neural network trained with experimental data), indicating that this is a suitable approach in the prediction of vapor-liquid equilibrium in binary systems.
Neste trabalho, combina-se a consistência física de um modelo termodinâmico com a capacidade de aprendizado e extração de informações relevantes das redes neurais. Utilizou-se um modelo que faz uso tanto das simulações de uma rede neural treinada com dados oriundos do modelo termodinâmico (dado pela lei de Raoult Modificada, com modelo de Wilson para descrição das não-idealidades da fase líquida) como das simulações dadas por uma outra rede neural treinada apenas com dados experimentais. A fim de se hibridizar a simulação, foi aplicado o método dos mínimos quadrados lineares sobre um operador de correção que une numericamente as duas simulações. Os resultados obtidos mostram significativa melhora na previsão quando comparados com os métodos tradicionais (modelo termodinâmico e rede neural treinada com dados experimentais), indicando ser esta uma abordagem viável na previsão do equilíbrio líquido-vapor de sistemas binários.
