An equation of state is characterized as a mathematical relationship between state quantities, allowing to predict thermodynamic properties. Over the years several researchers have used experimental data to find the parameters of their equations by minimizing the deviations between the values calculated by the equation and the experimental data. Recent studies show a con icting nature in predicting equations of state for diferent properties. Based on this premise, this paper aims to propose a new methodology for estimating state equation parameters and other thermodynamic models through multiobjective optimization. This technique was applied to find new parameters of the Patel-Teja equation, with results for 260 substances involving 20 chemical families. Besides the optimization results, this work presents results of the application of a parallelization technique for the MOPSO (Multi-Objective Particle Swarm Optimization) method.
Uma equação de estado se caracteriza como uma relação matemática entre grandezas de estado, possibilitando predizer propriedades termodinâmicas. Ao longo dos anos diversos pesquisadores usaram dados experimentais para encontrar os parâmetros de suas equações, através da minimização dos desvios entre os valores calculados pela equação e os dados experimentais. Estudos recentes mostram uma natureza conflitante na predição de equações de estado para diferentes propriedades. Partindo desta premissa este trabalho tem por objetivo propor uma nova metodologia para estimar parâmetros de equações de estado e outros modelos termodinâmicos através da otimização multiobjetivo. Essa técnica foi aplicada para encontrar novos parâmetros da equação de Patel-Teja, com resultados para 260 substâncias envolvendo 20 famílias químicas. Além dos resultados da otimização, este trabalho apresenta resultados da aplicação de uma técnica de paralelização para o método MOPSO (do inglês, Multi-Objective Particle Swarm Optimization).
