using machine learning methods to estimate the molar density of benzene and comparing the methods with the peng-robinson eos

In chemical industries, precision in calculations and process simulations is crucial. one of the most influential parameters is the molar density of a fluid under various pressure and temperature conditions. equations of state (eos) are common among the methods for determining molar density. usually, the error resulting from predicting molar density using eos is generally high at high temperatures and pressures due to the increased intermolecular effects. additionally, due to the form of eos concerning volume or molar density, calculating molar volume at specified temperature and pressure requires suitable numerical methods for root-finding. this article aims to present an effective method for estimating the molar density of benzene using two crucial machine learning methods, namely multi-layer perceptron-artificial neural network(mlp-ann) and adaptive neuro-fuzzy inference system (anfis). this study used 302 sets of experimental data to train these two methods. additionally, another set of 60 experimental data was used to compare the errors of the methods. the peng-robinson (pr) equation was also employed in this article to evaluate the performance of machine learning methods better and calculate molar density. the results showed that the mean relative errors (mre) for the mlp-ann, anfis, and pr methods for the 362 data points are 0.838%, 1.791%, and 4.834%, respectively. the results demonstrated that using machine learning methods can reduce computational errors, with the error from predicting using the pr equation being almost five times that of mlp-ann. in this article, the mlp-ann method outperformed anfis due to its computational efficiency and lower error in predicting molar density.

استفاده از روش‌های یادگیری ماشین برای تخمین چگالی مولی بنزن و مقایسه روش‌ها با معادله حالت پنگ-رابینسون

در صنایع شیمیایی، دقت در محاسبات و شبیه سازی فرآیند بسیار مهم است. یکی از پارامترهای تاثیرگذار، چگالی مولی سیال در شرایط مختلف فشار و دما است. معادلات حالت (eos) برای تعیین چگالی مولی رایج است. معمولاً خطای ناشی از پیش‌بینی چگالی مولی با استفاده از eos در دماها و فشارهای بالا به دلیل افزایش اثرات بین مولکولی زیاد است. علاوه بر این، با توجه به شکل eos در مورد حجم یا دانسیته مولی، محاسبه حجم مولی در دما و فشار مشخص نیاز به روش‌های عددی مناسب برای ریشه‌یابی دارد. هدف این مقاله ارائه روشی موثر برای تخمین چگالی مولی بنزن با استفاده از دو روش یادگیری ماشینی مهم، یعنی mlp-ann و anfis است. این مطالعه از 302 مجموعه داده های تجربی برای آموزش این دو روش استفاده کرد. علاوه بر این، مجموعه دیگری از 60 داده تجربی برای مقایسه خطاهای روش ها استفاده شد. معادله پنگ رابینسون (pr) نیز در این مقاله برای ارزیابی عملکرد روش‌های یادگیری ماشین و محاسبه چگالی مولی مورد استفاده قرار گرفت. نتایج نشان داد که میانگین خطاهای نسبی (mre) برای روش های mlp-ann،  anfisو pr برای 362 نقطه داده به ترتیب 0.838، 1.791، و 4.834 درصد است. نتایج نشان داد که استفاده از روش‌های یادگیری ماشینی می‌تواند خطاهای محاسباتی را کاهش دهد، خطای پیش‌بینی با استفاده از معادله pr تقریباً پنج برابر mlp-ann است. در این مقاله، روش mlp-ann به دلیل کارایی محاسباتی و خطای کمتر در پیش‌بینی چگالی مولی، عملکرد بهتری از anfis داشت.