MODELAGEM DE PARÂMETROS PC-SAFT COM GRAPH NEURAL NETWORK (GNN)
Machine learning; modelagem termodinâmica; PC-SAFT; Graph Neural Network.
A modelagem de propriedade termodinâmicas é essencial para permitir a otimização de processos através de simulação. Nisso, as equações de estado tem demonstrado muita capacidade em modelar os mais diversos tipos de moléculas. A equação de estado Perturbed-Chain Statistical Associating Fluid Theory (PC-SAFT) é um dos modelos mais utilizados para esse fim, sendo capaz de modelar moléculas polares e apolares, associativas e não associativas, e até mesmo componente iônicos. Os modelos de Deep Learning por sua vez, apesar de serem inviáveis para modelar propriedade termodinâmicas como as equações de estado, são muito robustos em encontrar padrões complexos. Tendo em vista isto, no presente estudo foi desenvolvido dois modelos de Deep Learning do tipo Graph Neural Network para predizer parâmetros da PC-SAFT a partir dos grafos das moléculas, dispensando a necessidade de dados experimentais. O primeiro modelo demonstrou ótimo desempenho em moléculas mais simples, com média de erro percentual de 2,27 % para cálculo de densidade e 10,25% para cálculo de pressão de vapor. Já o modelo 2 foi desenvolvido visando moléculas mais complexas e apresentou média de erro percentual de 2,50% para densidade e 4,88% para pressão de vapor.