Red neuronal artificial para la predicción de propiedades de compuestos orgánicos basado en la representación mediante grupos funcionales

PÉREZ CORREA, I; GIUNTA, P.; FRANCESCONI, J.; MARIÑO F.

Congreso; Encuentro Argentino y Latinoamericano CADI/CLADI/CAEDI - 2021; 2021

En el desarrollo y optimización de procesos químicos que impliquen la selección de fluidos orgánicos se requiere conocer las propiedades físicas de los compuestos involucrados. En muchos casos es complejo hallar mediciones experimentales para todas las sustancias por lo que se vuelve necesario poseer una herramienta que permita predecir las propiedades en base a las características de los compuestos. Una de las metodologías de uso más extendido en bibliografía es la estimación mediante contribución de grupos funcionales, en donde las propiedades se calculan en base a los elementos constituyentes de la molécula. Existen diversos modelos publicados en bibliografía, pero estos no logran representar una amplia variedad de compuestos con alta precisión y simultáneamente mantener una complejidad computacional manejable. El objetivo del presente trabajo consiste en desarrollar un modelo de predicción de ocho propiedades termodinámicas de interés (presión, temperatura y volumen críticos, temperatura de fusión y ebullición y las entalpías de vaporización, fusión y formación) basado en la metodología de grupos funcionales mediante la implementación de una red neuronal de tipo perceptrón multicapa. Fueron utilizadas 2750 sustancias para el aprendizaje de la red cuya capacidad de predicción fue también contrastada con otros modelos de referencia en bibliografía. El modelo propuesto presenta errores del 1% al 4% para las distintas propiedades (exceptuando el punto de fusión) que mejoran notablemente respecto de los modelos de referencia que poseen valores en el entorno de (3-30) %. De todas maneras, se observa una dificultad en la predicción del punto de fusión inherente a esta metodología.