Please use this identifier to cite or link to this item:
http://repositorio.ugto.mx/handle/20.500.12059/8672
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.rights.license | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
dc.contributor | JUAN GABRIEL SEGOVIA HERNANDEZ | es_MX |
dc.creator | ABRAHAM RODARTE DE LA FUENTE | es_MX |
dc.date.accessioned | 2023-06-16T16:02:21Z | - |
dc.date.available | 2023-06-16T16:02:21Z | - |
dc.date.issued | 2023-03-30 | - |
dc.identifier.uri | http://repositorio.ugto.mx/handle/20.500.12059/8672 | - |
dc.description.abstract | En este trabajo se presenta el modelado y la simulación dinámica, mediante redes neuronales, del sistema de destilación intensificado (columna de pared divisoria) para separar la mezcla acetona-etanol-butanol obtenida en un proceso de fermentación. Obteniendo resultados similares al comparar la capacidad de predicción de los datos obtenidos en el simulador ASPEN Dynamics a partir de una optimización estructural de las redes neuronales desarrolladas en el lenguaje de programación Python 3.8. La dinámica de la columna de pared divisoria de este caso de estudio puede ser modelada por una red neuronal y el análisis de la estructura de la red neuronal tiene un gran impacto en la capacidad de predicción, determinando una red tipo LSTM (neurona con memoria a corto plazo) con la función de activación lineal, el optimizador RMSPROP (propagación de la media cuadrática), una sola capa oculta y cinco neuronas en ella, alimentando solo dos variables manipulables de las tres con las que cuenta el sistema pudiendo predecir el perfil de composición de los compuestos purificados. | es_MX |
dc.language.iso | spa | es_MX |
dc.publisher | Universidad de Guanajuato | es_MX |
dc.rights | info:eu-repo/semantics/openAccess | es_MX |
dc.subject.classification | CGU- Licenciatura en Ingeniería Química | es_MX |
dc.title | Modelado y simulación dinámica de un sistema de destilación intensificado para la predicción de la composición de los productos mediante redes neuronales | es_MX |
dc.type | info:eu-repo/semantics/bachelorThesis | es_MX |
dc.subject.cti | info:eu-repo/classification/cti/7 | es_MX |
dc.subject.cti | info:eu-repo/classification/cti/33 | es_MX |
dc.subject.cti | info:eu-repo/classification/cti/3328 | es_MX |
dc.subject.keywords | Sistema de destilación intensificado | es_MX |
dc.subject.keywords | Intensificación de procesos | es_MX |
dc.subject.keywords | Modelos de simulación dinámica | es_MX |
dc.subject.keywords | Redes neuronales LSTM (Long Short-Term Memory) | es_MX |
dc.subject.keywords | Columna de pared divisoria | es_MX |
dc.subject.keywords | Intensified distillation system | en |
dc.subject.keywords | Process intensification | en |
dc.subject.keywords | Dynamic simulation models | en |
dc.subject.keywords | LSTM (Long Short-Term Memory) neural networks | en |
dc.subject.keywords | Dividing wall column | en |
dc.contributor.id | info:eu-repo/dai/mx/cvu/121601 | es_MX |
dc.contributor.role | director | es_MX |
dc.type.version | info:eu-repo/semantics/publishedVersion | es_MX |
dc.contributor.two | EDUARDO SANCHEZ RAMIREZ | es_MX |
dc.contributor.three | ESTEBAN ABELARDO HERNANDEZ VARGAS | es_MX |
dc.contributor.idtwo | info:eu-repo/dai/mx/cvu/347195 | es_MX |
dc.contributor.idthree | info:eu-repo/dai/mx/cvu/205672 | es_MX |
dc.contributor.roletwo | director | es_MX |
dc.contributor.rolethree | director | es_MX |
dc.description.abstractEnglish | This work presents the modeling and dynamic simulation, by means of neural networks, of the intensified distillation system (dividing wall column) to separate the acetone-ethanolbutanol mixture obtained in a fermentation process. Obtaining good results when comparing the prediction capacity of the data obtained in the ASPEN Dynamics simulator from a structural optimization of the neural networks developed in the Python 3.8 programming language. The dividing wall column dynamics of this case study can be modeled by a neural network and the analysis of the neural network structure has a great impact on the prediction capability, determining a LSTM (Long short-term memory) type network with the linear activation function, the RMSPROP (root mean square propagation) optimizer, a single hidden layer and five neurons in it, feeding only two manipulable variables out of the three available in the system and being able to predict the composition profile of the purified compounds. | en |
Appears in Collections: | Ingeniería Química |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
ABRAHAM RODARTE DE LA FUENTE_Tesis24.pdf | 4.81 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.