Noticias

Dec 28, 2023

Sobre la evaluación de la solubilidad del dióxido de carbono en polímeros mediante programación de expresión génica.

Scientific Reports volumen 13, Número de artículo: 12505 (2023) Citar este artículo 34 Accesos Detalles de métricas Evaluación, predicción y medición de la solubilidad del dióxido de carbono (CO2) en diferentes

Scientific Reports volumen 13, número de artículo: 12505 (2023) Citar este artículo

34 Accesos

Detalles de métricas

La evaluación, predicción y medición de la solubilidad del dióxido de carbono (CO2) en diferentes polímeros son cruciales para los ingenieros en diversas aplicaciones químicas, como la extracción y generación de nuevos materiales. En este artículo, se generaron correlaciones basadas en la programación de la expresión genética (GEP) para predecir el valor de la solubilidad del dióxido de carbono en tres polímeros. Los resultados mostraron que las correlaciones generadas podrían representar una eficiencia sobresaliente y proporcionar predicciones para la solubilidad del dióxido de carbono con errores relativos absolutos promedio satisfactorios de 9,71%, 5,87% y 1,63% para poliestireno (PS), succinato-coadipato de polibutileno (PBSA), y succinato de polibutileno (PBS), respectivamente. El análisis de tendencias basado en la ley de Henry ilustró que el aumento de la presión y la disminución de la temperatura conducen a un aumento de la solubilidad del dióxido de carbono. Finalmente, se aplicó el descubrimiento de valores atípicos utilizando el enfoque de apalancamiento para detectar los puntos de datos sospechosos. La detección de valores atípicos demostró la validez estadística de las correlaciones desarrolladas. El gráfico de William de tres correlaciones generadas mostró que todos los puntos de datos están ubicados en la zona válida excepto un punto para el polímero PBS y tres puntos para el polímero PS.

En los últimos años, la aplicación de diferentes polímeros se ha convertido en un tema atractivo en diversas industrias, incluida la industria petrolera. El proceso de adsorción de fluidos en diferentes polímeros es una circunstancia vital en conceptos de la industria petrolera como la recuperación mejorada de petróleo (EOR)1,2,3, la separación de gases, la imbibición de aditivos y los procesos de formación de espuma4,5. El dióxido de carbono (CO2) es uno de los gases más importantes y desempeña un papel notable en la estructura de los polímeros, las espumas poliméricas y las propiedades de producción4,6. Además, el CO2 y el dióxido de carbono supercrítico (SCCO2), (un dióxido de carbono supercrítico se describe como un fluido cuya temperatura y presión son superiores a los valores críticos) se han convertido en uno de los materiales verdes más convencionales, que se han utilizado ampliamente en la fabricación de disolventes. , antisolvente o soluto en numerosos procesos de campo, incluida la síntesis de materiales, la modificación de materiales, los procesos de formación de espuma, la polimerización y la producción de partículas7,8,9. El SCCO2 es potencialmente atractivo como disolvente que muestra propiedades que son una mezcla de las que se combinan comúnmente con líquidos o gases. La solubilidad del CO2 es la cantidad máxima de CO2 que puede solubilizarse en diferentes soluciones. La evaluación, predicción y medición de la solubilidad del CO2 en diferentes polímeros biodegradables se ha convertido en una tecnología notable para los ingenieros en diversas aplicaciones químicas, como la extracción y generación de nuevos materiales10,11,12,13,14. Los polímeros biodegradables son un tipo particular de polímeros que colapsan mediante un proceso de disolución bacteriana para terminar en fluidos naturales como CO2 y N2. El succinato de polibutileno (PBS) y el succinato-coadipato de polibutileno (PBSA) son dos polímeros biodegradables aplicables que han sido generados por Showa Highpolymer Co. Ltd. y Showa Denko K.K15,16.

Para predecir la solubilidad de los gases en los polímeros, especialmente el CO2, desde 1986 se investigaron varios enfoques experimentales, empíricos y teóricos. En 1986 y 1993, Shah et al.17,18 midieron la solubilidad de diferentes gases, incluido el CO2, en polímeros de silicona a presiones superiores. a 26 atmósferas y valores de temperatura de 10, 35 y 55 °C. En 1994, Li et al.19 predijeron la solubilidad del CO2 en sistemas de aminas. Consideraron mezclas binarias y ternarias que contienen tres disolventes: monoetanolamina (MEA), metildietanolamina (MDEA) y agua (H2O). Utilizaron una temperatura en un rango de 0 a 225 °C. Modelaron la solubilidad del CO2 en mezclas de aminas en función de la temperatura. Dos años más tarde, Sato et al.20 investigaron la solubilidad del CO2 y N2 en poliestireno en condiciones de alta presión y temperatura. Midieron la solubilidad del gas a presiones de hasta 20 MPa y temperaturas de 373,2 a 453,2 K. En 1998, Aubert21 calculó la solubilidad del CO2 a presiones de hasta 9,65 MPa utilizando la técnica de microbalanza de cristal de cuarzo. El año que viene, Webb et al.22 y Sato et al.23 evaluaron la difusión y solubilidad del CO2 en polímeros bajo altas presiones y temperaturas. Según su investigación, las solubilidades aumentaron al aumentar la presión y disminuyeron al aumentar la temperatura. En 2000, Sato et al.15 sugirieron relaciones empíricas para determinar la solubilidad y el coeficiente de difusión del CO2. Consideraron la presión y la temperatura como variables dependientes en el rango de 1,025 a 20,144 MPa y 323,15 a 453,15 K, respectivamente. Consiguieron que la solubilidad del CO2 en polímeros en estado fundido aumente al aumentar la presión y disminuir la temperatura. Un año después, Hilic et al.24 midieron la solubilidad de N2 y CO2 en poliestireno, considerando presiones de 3,05 a 45 MPa y temperaturas de 338 a 402 K. Además, se aplicó una técnica experimental con un sensor de fuerza de cuerda vibrante. Obtuvieron una relación lineal entre el aumento de la solubilidad al aumentar la presión y la disminución de la temperatura. Ese mismo año, Sato et al.25 calcularon la solubilidad del CO2 en un rango de temperatura de 313,15 a 373,15 K y presiones de hasta 17,5 MPa. En 2002, Park et al.26 estudiaron la solubilidad del CO2 en soluciones de alcanolamina en los valores de 40, 60 y 80 °C para la temperatura y entre 0,1 y 50 psia para la presión. Representaban un equilibrio vapor-líquido de CO2 en estas soluciones. En el mismo año, Sato et al.27 examinaron la solubilidad del CO2 en poli (2,6-dimetil-1,4-fenileno éter) (PPO) y PS a temperaturas de 373,15, 427,15 y 473,15 K y presiones de hasta 20 MPa. . Obtuvieron que la solubilidad del CO2 aumenta al aumentar la concentración de PPO. Un año después, en 2003, Hamedi et al.28 predijeron la adsorción de CO2 en varios polímeros basándose en una ecuación de estado de contribución de grupo (EoS) con rangos de entrada de 283–453 K y 1–200 bar para temperatura y presión, respectivamente. . Su mejor resultado fue un error relativo absoluto promedio (AARE) del 5,5% para el poliestireno. En 2006, Li et al.29 midieron la solubilidad y difusividad del gas en polilactida a una temperatura de 180 a 200 K y presiones de hasta 28 MPa utilizando una balanza de suspensión magnética (MSB). Además, adoptaron un modelo teórico basado en la segunda ley de Fick para extraer los coeficientes de difusión de N2 y CO2 en polilactida. Obtuvieron que el CO2 presentaba una menor difusividad que el N2 a la misma temperatura. Ese año, Nalawade et al.9 utilizaron SCCO2 como disolvente verde para procesar polímeros fundidos. Obtuvieron que el SCCO2 es aplicable en muchos procesos de polimerización debido a su alta solubilidad en polímeros. En 2007, Lei et al.30 generaron correlaciones de flotabilidad y ecuaciones de estado de Sánchez y Lacombe para estimar el grado de hinchamiento, la cristalinidad y la solubilidad del CO2 en polipropileno. Consiguieron que la solubilidad del CO2 primero disminuyera y luego aumentara con la temperatura. Dos años más tarde, Khajeh et al.31 desarrollaron un modelo inteligente basado en el sistema de inferencia neurodifusa adaptativa (ANFIS) para predecir la solubilidad del CO2 en polímeros. Utilizaron hasta 37 puntos de datos para diferentes polímeros. En 2011, Xu et al.32 investigaron un estudio teórico de las correlaciones de solubilidad del CO2 en grupos éter y carbonilo de polímeros, a saber, poli(óxido de etileno) (PEO), poli(óxido de propileno) (PPO), poli(acetato de vinilo) ( PVAc), poli(carbonato de etileno) (PEC) y poli(carbonato de propileno) (PPC). Demostraron que la solubilidad del CO2 en PPC es mayor que la de otros polímeros utilizados en su estudio. El año que viene, Han et al.13 desarrollaron reacciones continuas y consideraron conceptos económicos en aplicaciones de SCCO2. En 2013, Li et al.33 desarrollaron una red neuronal artificial (RNA) para estimar la solubilidad de los gases en polímeros. Su investigación demostró una buena concordancia entre los datos experimentales y predichos utilizando su correlación. Ese mismo año, Minelli y Sarti34 midieron la solubilidad y permeabilidad del CO2 en varios polímeros vítreos considerando el coeficiente de difusión como un factor cinético. En 2015, Ting y Yuan10, Li et al.7 y Quan et al.12 estudiaron diferentes enfoques matemáticos y teóricos para estimar las propiedades del CO2, incluida la solubilidad. Todos ellos demostraron que la solubilidad del CO2 tiene relación directa con la presión y relación inversa con la temperatura. Dos años más tarde, Mengshan et al.8,35 desarrollaron una red neuronal artificial y una técnica de inteligencia artificial basada en la teoría de la difusión para predecir la solubilidad del CO2 y SCCO2 en polímeros. En 2019, Soleimani et al.4 desarrollaron un modelo inteligente basado en un árbol de decisión (DT) para estimar la solubilidad del CO2. Utilizaron 515 puntos de datos con un rango de 306 a 483,7 K para temperatura y 1,025 a 44,41 MPa para presión. Un año después, Li et al.36 investigaron una revisión exhaustiva del sistema polimérico de CO2. Utilizaron dos tipos de métodos de múltiples escalas, a saber, el modelo de cálculo termodinámico y la simulación por computadora para medir la solubilidad del CO2 en polímeros. Su modelo desarrollado se puede utilizar en la química y las industrias químicas, como la propiedad reológica de fase y el autoensamblaje de polímeros. En 2022, se han realizado diversas investigaciones experimentales, teóricas y de modelización para medir la solubilidad del CO2 y otros gases en sistemas de agua y polímeros. Sun et al.37 midieron la solubilidad del CO2 en fluidos de perforación a base de petróleo y agua utilizando el enfoque de análisis de muestras. Sus resultados indicaron que el efecto de sal del electrolito sobre la solubilidad del gas puede aumentar al aumentar la concentración molar de iones. Su estudio también mostró que los errores de solubilidad del CO2 en los fluidos de perforación a base de petróleo y agua son del 6,75% y el 3,47%, respectivamente. Además, Ushiki et al.38 evaluaron la solubilidad y difusividad del CO2 en policaprolactona (PCL) aplicando la teoría de fluidos asociativos estadísticos de cadenas perturbadas (PC-SAFT) y métodos de volumen libre. Según su trabajo, se reconoció que la solubilidad del CO2 se ajustaba a la ley de Henry y el PC-SAFT EoS describió suficientemente la solubilidad. Además, Kiran et al.39 evaluaron la difusividad y solubilidad del CO2 y N2 en polímeros. Utilizaron Sanchez-Lacombe EoS para modelar la solubilidad. Además, Ricci et al.40 proporcionaron un marco teórico integral para la sorción y el transporte supercríticos de CO2 en polímeros. En su estudio, se modeló la sorción de CO2 utilizando datos disponibles en la región crítica, a diferentes temperaturas y presiones de hasta 18 MPa.

La presente investigación se centra principalmente en generar correlaciones precisas para la predicción de la solubilidad del CO2 considerando la presión y temperatura del polímero como variables de entrada. Las correlaciones generadas se basan en la técnica de programación de expresión génica (GEP). Se recopila un banco de datos completo que incluye 53 puntos de datos para PBS, 43 puntos de datos para PBSA y 92 puntos de datos para polímero PS15,20,24,25. Después de generar correlaciones, se aplican pruebas de error estadístico y gráfico para evaluar la precisión de las correlaciones. Asimismo, se valora la capacidad de las correlaciones representadas para predecir la tendencia real de la solubilidad del CO2 con el cambio de presión y temperatura. Últimamente, el enfoque de apalancamiento se realiza para detectar los puntos de datos atípicos en el conjunto de datos.

En esta investigación, se implementó el algoritmo GEP para predecir la cantidad de solubilidad del CO2 en tres polímeros diferentes, a saber, PBS, PBSA y poliestireno (PS). Para este objetivo, se recopilaron 53 puntos de datos para PBS, 43 puntos de datos para PBSA y 92 puntos de datos para polímero PS15,20,24,25. En este trabajo, se consideraron la presión y la temperatura del dióxido de carbono como parámetros de entrada. En la Tabla 1 se muestra un resumen de los puntos de datos recopilados. Como se señala en la Tabla 1, en este estudio se proporcionan amplios rangos de temperatura y presión de CO2.

Para generar correlaciones de solubilidad de CO2, se ha aplicado el algoritmo evolutivo de programación de expresión genética (GEP). GEP, propuesta por primera vez por Ferreira en 200141, es una técnica de fenotipo normalmente integral en la que los cromosomas forman una entidad operativa correctamente inseparable42. Esta técnica se utiliza ampliamente en aplicaciones de modelado y programación informática43,44,45,46. Los algoritmos de programación de expresión genética son complicadas estructuras basadas en árboles que se coordinan cambiando su forma, composición y tamaño. Al codificar árboles como vectores de símbolos y transformarlos en ellos sólo para evaluar su aptitud, esta técnica puede producir árboles indirectamente47. Esta técnica de computación blanda es un potente algoritmo predictivo que se utiliza ampliamente para diversos fines de aplicaciones de campo. Comúnmente, la técnica GEP tiene dos componentes, a saber, el cromosoma y los árboles de expresión (ET). Las posibles soluciones están codificadas por los cromosomas y se consideran una cadena lineal con una longitud particular, por lo que estas soluciones se decodificarán en la solución candidata real denominada árbol de expresión48. Después de producir cromosomas de individuos de primera producción y elegirlos en función de su función de aptitud para regenerarse con modificaciones, los individuos de nueva generación fueron presentados a la operación de desarrollo de confrontación del entorno de selección, expresión del genoma y reproducción modificada49. Además, la programación de la expresión genética crea automáticamente expresiones algebraicas para responder a problemas no lineales50. El diagrama de flujo esquemático del procedimiento GEP se muestra en la Fig. 1.

El marco esquemático de la programación de la expresión génica (GEP).

En el presente estudio, se llevó a cabo un enfoque de computación suave basado en árboles de programación de expresión genética para desarrollar correlaciones precisas para predecir la solubilidad del CO2 en diferentes polímeros. Las correlaciones desarrolladas consideran la solubilidad del CO2 en función de la presión y la temperatura del polímero correspondiente y las utilizan como variables de entrada. Para generar correlaciones precisas y fáciles de usar, se recopiló de literatura anterior un banco de datos exhaustivo que consta de 53 puntos de datos para el polímero PBS, 43 puntos de datos para el polímero PBSA y 92 puntos de datos para el polímero PS. La Tabla 2 representa los parámetros GEP utilizados en esta investigación.

Utilizando el enfoque antes mencionado, las fórmulas finales para la determinación de la solubilidad del CO2 basadas en la técnica de programación de la expresión génica se enumeran a continuación:

donde P y T denotan presión y temperatura de los polímeros antes mencionados, respectivamente. En las correlaciones anteriores, las unidades de P y T son MPa y K, respectivamente. Las correlaciones generadas en este estudio son aplicables para la predicción de la solubilidad del CO2 en varios rangos de temperatura y presión de los polímeros mencionados.

Para mostrar y comparar la precisión de las correlaciones generadas, algunos parámetros estadísticos importantes incluyen el error cuadrático medio (RMSE), la desviación estándar (SD), el coeficiente de determinación (R2), el error relativo promedio (ARE) y el promedio absoluto. Se aplicó el error relativo (AARE)51. Estos términos se detallan a continuación:

donde \(Ei\) es la desviación parcial que se describe como:

donde n, S (exp), S (cal) y S (avg) son el número de datos, el valor de solubilidad real de CO2, el valor de solubilidad de CO2 calculado y el promedio de los puntos de datos reales, respectivamente. Los parámetros estadísticos mencionados anteriormente para las tres correlaciones generadas se detallan para el entrenamiento, las pruebas y los conjuntos de datos completos en la Tabla 3. Como se describe en esta tabla, el AARE de la correlación para el polímero PBS es menor que otras dos correlaciones generadas en este trabajo. Los resultados demuestran que la correlación generada para el polímero PBS tiene la desviación estándar más baja (0,028) y RMSE (0,00178). Sin embargo, las correlaciones desarrolladas para los otros dos polímeros también tienen una precisión aceptable. Como se presenta en la Tabla 3, los valores AARE para los polímeros PBS y PBSA se obtuvieron menores que los AARE para el polímero PS, lo que se debió a la naturaleza de los datos experimentales relacionados con el polímero PS. Es obvio que las correlaciones generadas son confiables y, a veces, debido a la naturaleza de los valores de los datos experimentales de diferentes materiales (como polímeros), se pueden obtener diferentes valores de error.

Esta sección representa una descripción gráfica de la comparación entre los resultados de las correlaciones generadas y los datos reales. Los valores de solubilidad de CO2 previstos en el polímero PBS se esbozan frente a los reales en la Fig. 2a. Asimismo, los valores de solubilidad de CO2 pronosticados en polímeros PBSA y PS se representan en comparación con los datos experimentales en las figuras 2b, c, respectivamente. Cuanto más cerca apunten los datos esbozados a la línea de 45°, mayor será la uniformidad de las correlaciones. Según estos gráficos, es evidente que los resultados de las correlaciones fáciles de usar generadas ilustran un acuerdo satisfactorio en torno a la línea ideal. Además, las curvas de error relativo de las correlaciones desarrolladas de la solubilidad del CO2 en el polímero PBS, el polímero PBSA y el polímero PS se presentan en las figuras 3a a c, respectivamente.

Gráficos cruzados de los valores de solubilidad de CO2 previstos y experimentales en (a) PBS, (b) PBSA, (c) polímeros PS.

Curvas de distribución de error relativo de la correlación generada de la solubilidad del CO2 en (a) PBS, (b) PBSA, (c) polímeros PS.

Además, para mostrar la precisión de las correlaciones presentadas en diferentes rangos de presión y temperatura, se esbozaron los resultados de las correlaciones en términos de AARE frente a cinco conjuntos de presión y tres conjuntos de temperatura. La Figura 4 demuestra el AARE de las correlaciones en diferentes rangos de parámetros de entrada. Para varios rangos de presión, la correlación de la solubilidad del CO2 en el polímero PBS arroja un rendimiento constante y su AARE es inferior al 2,9 % en todos los rangos. Además, se puede percibir un rendimiento fiable a partir de la correlación de la solubilidad del CO2 en el polímero PBS hasta el último rango de temperatura. Esta figura valida la eficiencia de la correlación desarrollada de la solubilidad del CO2 en el polímero PBS sobre otras correlaciones desarrolladas en el presente estudio.

AARE para las diferentes correlaciones realizadas en esta investigación para los tres polímeros en varios rangos de entradas. (a,b) PBS; (c,d) PBSA; (e,f) PD.

Posteriormente, el análisis de frecuencia acumulada del error relativo porcentual absoluto (APRE) para las correlaciones generadas en este trabajo se muestra en la Fig. 5. Según los resultados de esta figura, la correlación de la solubilidad del CO2 en el polímero PBS podría estimarse en más de 90 El % de los valores de solubilidad de CO2 con un APRE inferior al 5%, y también más del 98% de los valores de solubilidad de CO2 según la correlación para el polímero PBS tienen un AARE inferior al 10%.

Gráfico de frecuencia acumulada de correlaciones generadas en este estudio.

Además, se llevó a cabo una comparación del error relativo absoluto entre las correlaciones generadas. La Figura 6 describe la comparación AARE entre las correlaciones antes mencionadas. Según esta figura, la correlación desarrollada de la solubilidad del CO2 en el polímero PBS reveló la mayor precisión y el AARE más bajo entre otras correlaciones generadas en esta investigación.

Comparación entre valores AARE de las correlaciones implementadas.

El análisis de tendencias es una técnica aplicable bien conocida para visualizar la variación de la producción con el cambio de las variables de entrada52,53. Las predicciones de las correlaciones de solubilidad del CO2 se representan versus la temperatura y la presión en la Fig. 7 para investigar la capacidad de las correlaciones generadas para seguir las tendencias reales esperadas de los valores de solubilidad del CO2 con el cambio de presión y temperatura. Según la ley de Henry, es evidente que la solubilidad del CO2 aumenta al disminuir la temperatura y aumentar la presión54. El dióxido de carbono tiene una propensión, concretamente un efecto plastificante55. Significa que las moléculas de CO2 son presionadas en las cadenas del polímero como consecuencia del aumento de presión, lo que resulta en una extensión del espacio poroso dentro de las moléculas y, luego, por esta razón, una adición de su movimiento56,57. Esto hace que sea posible absorber más moléculas de gas. Asimismo, al disminuir la temperatura las moléculas de CO2 obtienen menor energía cinética y no tienen tendencia a liberarse de la solución y a permanecer en una condición de mayor independencia58. Como consecuencia, la solubilidad aumentaría.

Comparación de la variación de la solubilidad del CO2 para las correlaciones generadas en este trabajo con datos reales. (a) La solubilidad del CO2 cambia con la presión; (b) La solubilidad del CO2 cambia con la temperatura.

El descubrimiento de valores atípicos juega un papel importante para identificar datos que pueden variar de otros puntos de datos que existen en un conjunto de datos59. La técnica del apalancamiento es un método confiable para el descubrimiento de valores atípicos que se ocupa de los valores de los residuos estandarizados y una matriz, a saber, la matriz Hat hecha de los valores reales y predichos obtenidos de las correlaciones60. Según este enfoque, si la mayoría de los puntos de datos se ubican en los rangos de − 3 ≤ R ≤ 3 (R denota el residual estandarizado) y 0 ≤ Hi ≤ H*, ilustra que los resultados de las correlaciones generadas son confiables y válidos61 ,62,63. Las Figuras 8, 9 y 10 representan gráficos de William de las correlaciones generadas de solubilidad de CO2 en polímeros PBS, PBSA y PS, respectivamente. Para el polímero PBS es obvio que todos los puntos de datos están ubicados en una zona válida excepto uno. Además, los resultados de la correlación generada del polímero PBSA muestran que todos los puntos de datos están ubicados en una región válida. Al final, la Fig. 10 presenta un diagrama de William de la correlación de la solubilidad del CO2 en el polímero PS, que muestra que entre todo el conjunto de datos que consta de 92 puntos de datos utilizados para este polímero, solo 3 puntos de datos se reconocen como puntos de datos fuera de apalancamiento.

El diagrama de William de la correlación generada para el polímero PBS.

El diagrama de William de la correlación generada para el polímero PBSA.

El diagrama de William de la correlación generada para el polímero PS.

La presente investigación tuvo como objetivo predecir la solubilidad del CO2 como un parámetro eficaz y fuerte en los procesos de polimerización. PBS, PBSA y PS fueron tres polímeros que se utilizaron en este trabajo. Para ello se aplicó la técnica de programación de la expresión génica (GEP). Para ello, se recopiló un amplio conjunto de datos de la literatura anterior. Los resultados mostraron que la correlación generada de la solubilidad del CO2 para el polímero PBS podría presentar la mayor precisión en la predicción de la solubilidad del CO2 con un AARE del 1,63 %, SD de 0,028 y RMSE de 0,001. Las curvas de solubilidad del CO2 esbozadas utilizando el análisis de tendencias demostraron que las tres correlaciones generadas en este estudio podrían ajustarse exactamente a las tendencias reales de la variación de la solubilidad del CO2. Las correlaciones simples generadas se pueden realizar en amplios rangos de presiones y temperaturas y representan una alta precisión. El enfoque de apalancamiento mostró que todos los puntos de datos parecen ser confiables y válidos excepto cuatro, que se ubicaron en zonas de sospecha más baja y fuera de apalancamiento. Para simular con precisión la solubilidad del CO2 en polímeros en futuros trabajos, se recomienda generar nuevas correlaciones y también desarrollar esquemas inteligentes.

Todos los datos están disponibles del autor correspondiente previa solicitud razonable.

Sheng, JJ Estudios de casos de campo de recuperación mejorada de petróleo (Gulf Professional Publishing, 2013).

Google Académico

Thomas, S. Recuperación mejorada de petróleo: una descripción general. Ciencia del gas y petróleo. Tecnología. Rev.l'IFP 63, 9-19 (2008).

Artículo CAS Google Scholar

Divandari, H., Amiri-Ramsheh, B. y Zabihi, R. Inundación con vapor (impulso a vapor). Métodos térmicos 20, 47 (2023).

Artículo de Google Scholar

Soleimani, R. y col. Desarrollo de un modelo preciso basado en árboles de decisión para predecir la solubilidad del dióxido de carbono en polímeros. Química. Ing. Tecnología. 43, 514–522 (2020).

Artículo CAS Google Scholar

Li, D.-C., Liu, T., Zhao, L. y Yuan, W.-K. Solubilidad y difusividad del dióxido de carbono en polipropileno isotáctico en estado sólido por el método de caída de presión. Ing. de Indiana. Química. Res. 48, 7117–7124 (2009).

Artículo CAS Google Scholar

Zheng, H., Mahmoudzadeh, A., Amiri-Ramsheh, B. & Hemmati-Sarapardeh, A. Modelado de la viscosidad de mezclas gaseosas de CO2-N2 utilizando técnicas sólidas basadas en árboles: Extra tree, random forest, GBoost y LightGBM. ACS Omega 8, 13863–13875 (2023).

Artículo CAS PubMed PubMed Central Google Scholar

Li, M. y col. Predicción de la solubilidad del dióxido de carbono supercrítico en 10 polímeros utilizando una red neuronal artificial con función de base radial basada en una optimización caótica de enjambre de partículas autoadaptativas y medios armónicos K. RSC Avanzado. 5, 45520–45527 (2015).

Artículo ADS CAS Google Scholar

Mengshan, L. y col. Predicción de la solubilidad supercrítica del dióxido de carbono en polímeros basada en el método de inteligencia artificial híbrida integrado con la teoría de la difusión. RSC Avanzado. 7, 49817–49827 (2017).

ADS del artículo Google Scholar

Nalawade, SP, Picchioni, F. & Janssen, L. Dióxido de carbono supercrítico como disolvente verde para procesar polímeros fundidos: aspectos y aplicaciones del procesamiento. Prog. Polimero. Ciencia. 31, 19–43 (2006).

Artículo CAS Google Scholar

Ru-Ting, X. & Xing-Yuan, H. Cálculo predictivo de la solubilidad del dióxido de carbono en polímeros. RSC Avanzado. 5, 76979–76986 (2015).

ADS del artículo Google Scholar

Zhang, Q., Vanparijs, N., Louage, B., De Geest, BG y Hoogenboom, R. Micelas de copolímeros en bloque basados ​​en RAFT duales sensibles al pH y la temperatura y conjugados de polímero-proteína con solubilidad transitoria. Polimero. Química. 5, 1140-1144 (2014).

Artículo CAS Google Scholar

Quan, S. y col. Una membrana de red biofílica de CO2 para una mejor separación de gases sostenible. J. Mater. Química. A 3, 13758–13766 (2015).

Artículo CAS Google Scholar

Han, X. & Poliakoff, M. Reacciones continuas en dióxido de carbono supercrítico: problemas, soluciones y posibles caminos a seguir. Química. Soc. Rev. 41, 1428-1436 (2012).

Artículo CAS PubMed Google Scholar

Chandra, R. & Rustgi, R. Polímeros biodegradables. Prog. Polimero. Ciencia. 23, 1273-1335 (1998).

Artículo CAS Google Scholar

Sato, Y. et al. Solubilidad y coeficiente de difusión del dióxido de carbono en polímeros biodegradables. Ing. de Indiana. Química. Res. 39, 4813–4819 (2000).

Artículo CAS Google Scholar

Nishioka, M., Tuzuki, T., Wanajyo, Y., Oonami, H. y Horiuchi, T. Studies in Polymer Science Vol 12, 584–590 (Elsevier, 1994).

Google Académico

Yampolskii, Y. & Paterson, R. Solubilidad de gases en polímeros. Exp. Determinar. Solubil. 6, 151-171 (2003).

CAS Google Académico

Shah, V., Hardy, B. & Stern, S. Solubilidad del dióxido de carbono, metano y propano en polímeros de silicona. Efecto de las cadenas principales de polímeros. J. Polim. Ciencia. Parte B Polim. Física. 31, 313–317 (1993).

Artículo ADS CAS Google Scholar

Li, Y.-G. & Mather, AE Correlación y predicción de la solubilidad del dióxido de carbono en una solución mixta de alcanolamina. Ing. de Indiana. Química. Res. 33, 2006-2015 (1994).

Artículo CAS Google Scholar

Sato, Y., Yurugi, M., Fujiwara, K., Takishima, S. y Masuoka, H. Solubilidades de dióxido de carbono y nitrógeno en poliestireno a alta temperatura y presión. Equilibrio de fase fluida. 125, 129-138 (1996).

Artículo CAS Google Scholar

Aubert, JH Solubilidad del dióxido de carbono en polímeros mediante la técnica de microbalanza de cristal de cuarzo. J. Supercrítico. Fluidos 11, 163–172 (1998).

Artículo CAS Google Scholar

Webb, KF & Teja, AS Solubilidad y difusión del dióxido de carbono en polímeros. Equilibrio de fase fluida. 158, 1029-1034 (1999).

Artículo de Google Scholar

Sato, Y., Fujiwara, K., Takikawa, T., Takishima, S. y Masuoka, H. Solubilidades y coeficientes de difusión del dióxido de carbono y nitrógeno en polipropileno, polietileno de alta densidad y poliestireno bajo altas presiones y temperaturas. Equilibrio de fase fluida. 162, 261–276 (1999).

Artículo CAS Google Scholar

Hilic, S., Boyer, SA, Pádua, AA & Grolier, JPE Medición simultánea de la solubilidad del nitrógeno y del dióxido de carbono en poliestireno y del hinchamiento del polímero asociado. J. Polim. Ciencia. Parte B Polim. Física. 39, 2063-2070 (2001).

Artículo ADS CAS Google Scholar

Sato, Y., Takikawa, T., Takishima, S. y Masuoka, H. Solubilidades y coeficientes de difusión del dióxido de carbono en poli (acetato de vinilo) y poliestireno. J. Supercrítico. Fluidos 19, 187–198 (2001).

Artículo CAS Google Scholar

Park, SH, Lee, KB, Hyun, JC y Kim, SH Correlación y predicción de la solubilidad del dióxido de carbono en alcanolamina acuosa y soluciones mixtas de alcanolamina. Ing. de Indiana. Química. Res. 41, 1658-1665 (2002).

Artículo CAS Google Scholar

Sato, Y., Takikawa, T., Yamane, M., Takishima, S. y Masuoka, H. Solubilidad del dióxido de carbono en mezclas de PPO y PPO/PS. Equilibrio de fase fluida. Rev. 194, 847–858 (2002).

Artículo de Google Scholar

Hamedi, M., Muralidharan, V., Lee, B. y Danner, RP Predicción de la solubilidad del dióxido de carbono en polímeros basada en una ecuación de estado de contribución de grupos. Equilibrio de fase fluida. 204, 41–53 (2003).

Artículo CAS Google Scholar

Li, G., Li, H., Turng, L., Gong, S. y Zhang, C. Medición de la solubilidad y difusividad del gas en polilactida. Equilibrio de fase fluida. 246, 158–166 (2006).

Artículo CAS Google Scholar

Lei, Z., Ohyabu, H., Sato, Y., Inomata, H. & Smith, RL Jr. Solubilidad, grado de hinchamiento y cristalinidad del sistema dióxido de carbono-polipropileno. J. Supercrítico. Fluidos 40, 452–461 (2007).

Artículo CAS Google Scholar

Khajeh, A., Modarress, H. y Rezaee, B. Aplicación del sistema de inferencia neurodifuso adaptativo para la predicción de la solubilidad del dióxido de carbono en polímeros. Sistema experto. Aplica. 36, 5728–5732 (2009).

Artículo de Google Scholar

Xu, M., Chen, J., Zhang, C., Du, Z. y Mi, J. Un estudio teórico de las correlaciones estructura-solubilidad del dióxido de carbono en polímeros que contienen grupos éter y carbonilo. Física. Química. Química. Física. 13, 21084–21092 (2011).

Artículo CAS PubMed Google Scholar

Li, M. y col. Predicción de la solubilidad de gases en polímeros mediante una red neuronal artificial de retropropagación basada en un algoritmo de optimización de enjambre de partículas autoadaptativo y la teoría del caos. Equilibrio de fase fluida. 356, 11-17 (2013).

Artículo CAS Google Scholar

Minelli, M. & Sarti, GC Permeabilidad y solubilidad del dióxido de carbono en diferentes sistemas de polímeros vítreos con y sin plastificación. J. Miembro. Ciencia. 444, 429–439 (2013).

Artículo CAS Google Scholar

Mengshan, L., Wei, W., Bingsheng, C., Yan, W. y Xingyuan, H. Predicción de la solubilidad de gases en polímeros basada en una red neuronal artificial: una revisión. RSC Avanzado. 7, 35274–35282 (2017).

ADS del artículo Google Scholar

Li, M. y col. Modelos para el cálculo de la solubilidad de un sistema CO2/polímero: una revisión. Madre. Hoy Común. 25, 101277 (2020).

Artículo CAS Google Scholar

Sun, X. et al. Experimentos y modelado de solubilidad de CO2 en fluidos de perforación a base de agua y petróleo. J. Gasolina. Ciencia. Ing. 212, 110336 (2022).

Artículo CAS Google Scholar

Ushiki, I., Kawashima, H., Kihara, S.-I. & Takishima, S. Solubilidad y difusividad del CO2 supercrítico para policaprolactona en su estado fundido: medición y modelado utilizando PC-SAFT y teoría de volumen libre. J. Supercrítico. Fluidos 181, 105499 (2022).

Artículo CAS Google Scholar

Kiran, E., Sarver, JA & Hassler, JC Solubilidad y difusividad de CO2 y N2 en polímeros e hinchamiento, transición vítrea, fusión y cristalización de polímeros a alta presión: una revisión crítica y perspectivas sobre métodos, datos y modelos experimentales. J. Supercrítico. Fluidos 185, 105378 (2022).

Artículo CAS Google Scholar

Ricci, E., De Angelis, MG y Minelli, M. Un marco teórico integral para la sorción y el transporte sub y supercrítico de CO2 en polímeros. Química. Ing. J. 435, 135013 (2022).

Artículo CAS Google Scholar

Ferreira, C. Programación de expresión genética: un nuevo algoritmo adaptativo para la resolución de problemas. Preimpresión de arXiv cs/0102027 (2001).

Umar, AA, Saaid, IM, Sulaimon, AA y Pilus, RM Predicción de la viscosidad de emulsiones de petróleo mediante programación de expresión génica (GEP) y metodología de superficie de respuesta (RSM). J. Aplica. Matemáticas. 20, 20 (2020).

Google Académico

Zhong, J., Feng, L. y Ong, Y.-S. Programación de expresión genética: una encuesta. Computación IEEE. Intel. revista 12, 54–72 (2017).

Artículo de Google Scholar

Amar, MN, Larestani, A., Lv, Q., Zhou, T. y Hemmati-Sarapardeh, A. Modelado de la capacidad de adsorción de metano en formaciones de gas de esquisto utilizando técnicas de aprendizaje automático supervisado de caja blanca. J. Gasolina. Ciencia. Ing. 208, 109226 (2022).

Artículo de Google Scholar

Amar, MN Predicción de la temperatura de formación de hidratos mediante programación de expresión genética. J. Nat. Ciencia del gas. Ing. 89, 103879 (2021).

Artículo de Google Scholar

Amar, MN, Ghriga, MA, Seghier, MEAB y Ouaer, H. Predicción de la solubilidad del óxido nitroso en líquidos iónicos mediante técnicas de aprendizaje automático y programación de expresión genética. J. Instituto de Taiwán. Química. Ing. 128, 156-168 (2021).

Artículo de Google Scholar

Baniasadi, H., Kamari, A., Heidararabi, S., Mohammadi, AH y Hemmati-Sarapardeh, A. Método rápido para la determinación de relaciones gas-petróleo en solución de fluidos de yacimientos de petróleo. J. Nat. Ciencia del gas. Ing. 24, 500–509 (2015).

Artículo de Google Scholar

Rostami, A., Arabloo, M., Kamari, A. y Mohammadi, AH Modelado de la solubilidad del CO2 en petróleo crudo durante la recuperación mejorada de petróleo con dióxido de carbono mediante programación de expresión genética. Combustible 210, 768–782 (2017).

Artículo CAS Google Scholar

Mirzaie, M. & Tatar, A. Modelado de tensión interfacial en mezclas binarias de alcanos CH4, CO2 y N2 mediante programación de expresión génica y ecuación de estado. J. Mol. Licuado. 320, 114454 (2020).

Artículo CAS Google Scholar

Traore, S., Luo, Y. & Fipps, G. Programación de expresión genética para el pronóstico a corto plazo de la evapotranspiración de referencia diaria utilizando información del pronóstico meteorológico público. Recurso Acuático. Gestionar 31, 4891–4908 (2017).

Artículo de Google Scholar

Sarapardeh, AH, Larestani, A., Menad, NA y Hajirezaie, S. Aplicaciones de técnicas de inteligencia artificial en la industria petrolera (Gulf Professional Publishing, 2020).

Google Académico

Kirk, H., Haynes, F. y Monroe, R. Aplicación del análisis de tendencias a ensayos de campo hortícolas. Mermelada. Soc. Hortico. Ciencia. 20, 20 (1980).

Google Académico

Amiri-Ramsheh, B., Safaei-Farouji, M., Larestani, A., Zabihi, R. y Hemmati-Sarapardeh, A. Modelado de la temperatura de desaparición de la cera (WDT) utilizando enfoques de computación blanda: modelos basados ​​en árboles y modelos híbridos . J. Gasolina. Ciencia. Ing. 208, 109774 (2022).

Artículo CAS Google Scholar

Kumełan, J., Kamps, AP-S., Tuma, D. & Maurer, G. Solubilidad del CO2 en el líquido iónico [hmim][Tf2N]. J. química. Termodina. 38, 1396-1401 (2006).

Artículo de Google Scholar

Minelli, M., Oradei, S., Fiorini, M. & Sarti, GC Efecto de plastificación del CO2 sobre membranas poliméricas vítreas. Polímero 163, 29–35 (2019).

Artículo CAS Google Scholar

Khoshraftar, Z. & Ghaemi, A. Predicción de la solubilidad del CO2 en agua a alta presión y temperatura mediante aprendizaje profundo y metodología de superficie de respuesta. Caso Stud. Química. Reinar. Ing. 7, 100338 (2023).

Artículo CAS Google Scholar

Messabeb, H., Contamine, F., Cézac, P., Serin, JP & Gaucher, EC Medición experimental de la solubilidad del CO2 en una solución acuosa de NaCl a una temperatura de 323,15 a 423,15 K y una presión de hasta 20 MPa. J. química. Ing. Datos 61, 3573–3584 (2016).

Artículo CAS Google Scholar

Thibault, Y. & Holloway, JR Solubilidad del CO 2 en una leucita rica en Ca: efectos de la presión, la temperatura y la fugacidad del oxígeno. Contribuir. Minero. Gasolina. 116, 216–224 (1994).

Artículo ADS CAS Google Scholar

Rousseeuw, PJ y Van Zomeren, BC Desenmascarando valores atípicos multivariados y puntos de apalancamiento. Estadísticas de J.Am. Asociación. 85, 633–639 (1990).

Artículo de Google Scholar

Rousseeuw, PJ y Leroy, AM Regresión robusta y detección de valores atípicos (Wiley, 2005).

MATEMÁTICAS Google Scholar

Goodall, CR 13 Cálculo mediante la descomposición QR. (1993).

Gramatica, P. Principios de validación de modelos QSAR: internos y externos. Peine QSAR. Ciencia. 26, 694–701 (2007).

Artículo CAS Google Scholar

Amiri-Ramsheh, B., Zabihi, R. y Hemmati-Sarapardeh, A. Modelado de la deposición de cera de petróleos crudos utilizando redes neuronales de regresión generalizada y en cascada: aplicación a la producción de petróleo crudo. Ciencia de la geoenergía. Ing. 224, 211613 (2023).

Artículo CAS Google Scholar

Descargar referencias

Departamento de Ingeniería del Petróleo, Universidad Shahid Bahonar de Kerman, Kerman, Irán

Behnam Amiri-Ramsheh y Abdolhossein Hemmati-Sarapardeh

Departamento de Estudios Termodinámicos, División de Laboratorios, Sonatrach, Boumerdes, Argelia

Menad Nait Amar

Departamento de Ingeniería de Sistemas, École de Technologie Supérieur, Montreal, QC, Canadá

Mohammadhadi Shateri

Laboratorio Estatal Clave de Prospección y Recursos Petroleros, Universidad del Petróleo de China (Beijing), Beijing, China

Abdolhossein Hemmati-Sarapardeh

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

BA-R.: investigación, visualización, redacción-borrador original, MNA: metodología, visualización, análisis de datos, MS: supervisión, redacción-revisión y edición. AH-S.: supervisión, redacción-revisión y edición.

Correspondencia a Mohammadhadi Shateri o Abdolhossein Hemmati-Sarapardeh.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Amiri-Ramsheh, B., Nait Amar, M., Shateri, M. et al. Sobre la evaluación de la solubilidad del dióxido de carbono en polímeros mediante programación de expresión génica. Representante científico 13, 12505 (2023). https://doi.org/10.1038/s41598-023-39343-8

Descargar cita

Recibido: 11 de febrero de 2023

Aceptado: 24 de julio de 2023

Publicado: 02 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39343-8

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.