Integração de Redes Neuronais e Modelagem Termodinâmica para Predição de Massa Específica e Índice de Refração em Sistemas Binários

Equações de estado (EdE), como a PC-SAFT, são amplamente utilizadas na predição da massa específica de misturas, enquanto modelos semi-empíricos são empregados na determinação do índice de refração; entretanto, ambos apresentam limitações em sistemas não ideais. Neste trabalho, foram desenvolvidas e comparadas arquiteturas de redes neuronais, incluindo modelos com camadas densas totalmente conectadas, que relacionam diretamente entradas em saídas, e modelos em cascata, nos quais as saídas são realimentadas como entradas nas etapas seguintes, capturando interdependências complexas, com o objetivo de: (i) corrigir o desvio na predição da massa específica obtida pela EdE PC-SAFT e (ii) predizer o índice de refração de misturas binárias em diferentes comprimentos de onda (432,9; 589,3; e 632,7 nm). O banco de dados foi construído a partir de ensaios experimentais com misturas binárias de isobutilbenzeno, dodecano, tetrahidronaftaleno e tolueno, na faixa de 293,15 a 333,15 K. Um dos modelos testados destacou-se como o mais promissor, apresentando erro de 1,22×10⁻⁴, R² = 0,9977 e erro percentual de 2,24%, evidenciando excelente concordância com os dados experimentais e alta capacidade de generalização, reforçando o potencial das redes neurais como suporte a modelos termodinâmicos e na predição de propriedades ópticas.