Consultar ensayos de calidad
Estructura molecular: Diseño de RNA; Entrenamiento de RNA; Analisis Predictivo RNA - ingeniera quimica
ACD/ChemSketch Matlab-RNA Component Plus
LabView
Predicción de propiedades críticas y basicas usando Redes
Neuronales Artificiales Tipo Backpropagation
Predict Critical and Basic Properties Using Artificial Neural Networks type
Backpropagation
By Wilmer S, Collantes@,GENio
Chemical Engineering Department, Faculty of Chemical and metallurgy
Engineering, University Jose Faustino Sanchez C
Centro de Información Tecnológica (CIT), UNSACA / Huacho /
Perú
Website : https://es.geocities.com/CollantesIngenieria
Abstract
En el diseño de procesos tanto a escala industrial como de laboratorio
se requieren datos termodinamicos y de las propiedades físicas de
los compuestos químicos que intervienen en los mismos. El acceso a parametros basicos de temperaturas de
transición de fase o de las propiedades críticas de los
compuestos, resulta crucial en procesos petroquímicos, de
destilación y de tratamiento de desechos, entre otros. Las bases de datos existentes (DIPPR, Belstein, Detherm)
constituyen la fuente de información primaria de dichos datos.
Sin embargo, en los casos relacionados con diversos productos naturales o con
la predicción del impacto medioambiental, la información
existente es escasa o en muchos casos inexistentes. Las razones pueden
serdiversas, partiendo de las dificultades implícitas en el
método experimental utilizado para obtener los parametros
cuantitativos, o la inviabilidad del método, por que requiera
una considerable inversión de tiempo y/o dinero. Es por ello, que la
búsqueda de métodos alternativos para estimar propiedades
físicas, químicas y biológicas es un
campo ampliamente explorado. Uno de los métodos utilizados recientemente
con este fin, son los métodos basados en las
relaciones estructura-propiedad.
Keywords: Estructura molecular: Diseño de RNA; Entrenamiento de RNA;
Analisis Predictivo RNA
1. El Problema
La búsqueda cuantitativa de la relación entre la estructura de un compuesto y una propiedad específica es en esencia
un problema de regresión. Históricamente, la regresión
multilineal, el analisis de componentes principales y de mínimos
cuadrados parciales han sido los métodos
mas empleados en el desarrollo de los modelos basados en estructura-propiedad.
Sin embargo, uno de los inconvenientes lo encontramos al tener que asumir a
priori la propia forma del modelo. El
hecho de fijar una relación lineal entre los descriptores moleculares
que caracterizan a la estructura molecular y la propiedad que se esta
modelando, no implica que esta se cumpla o que el modelo obtenido sea el
óptimo.
2. La solución
Las relaciones estructura propiedad pueden modelarse con otras técnicas
dereconocimiento de patrones como las redes neuronales. En
muchos casos, han demostrado dar mejores resultados que los métodos
tradicionales debido a su
- Habilidad de tratar con las no-linealidades inherentes en las relaciones
estudiadas.
- Capaces de producir resultados razonables aún cuando se carezca de
alguno de los datos de entrada o dichos datos presente ruido.
- Capacidad de generalizar los resultados a nuevos datos no presentados durante la fase de entrenamiento de la red.
14) CH2 = CH-CH3 ( ) 15) CH2=CH2 ( ) 16) CH3-CH2-C CH ( )
17) C4H10 ( ) 18) C2H6 ( ) 19) C2H4 ( ) 20)
C5H12 ( ) 21) C2H2 ( )
22) C9H18 ( ) 23) C3H4 ( )
Nomenclatura Alcanos.
En el sistema IUPAC, los alcanos lineales se nombran dependiendo del
número de carbonos con la terminación ano como se muestra en la
siguiente tabla:
Nombre | Número de atomos de carbono | Fórmula
CondensadaCNH2N+2 | Fórmula Semidesarrollada |
metano | 1 | CH4 | CH4 |
etano | 2 | C2H6 | CH3CH3 |
propano | 3 | C3H8 | CH3CH2CH3 |
butano | 4 | C4H10 | CH3(CH2)2CH3 |
pentano | 5 | C5H12 | CH3(CH2)3CH3 |
hexano | 6 | C6H14 | CH3(CH2)4CH3 |
heptano | 7 | C7H16 | CH3(CH2)5CH3 |
octano | 8 | C8H18 | CH3(CH2)6CH3 |
nonano | 9 | C9H20 | CH3(CH2)7CH3 |
decano | 10 | C10H22 | CH3(CH2)8CH3 |
undecano | 11 | C11H24 | CH3(CH2)9CH3 |
dodecano | 12 | C12H26 | CH3(CH2)10CH3 |
tridecano | 13 | C13H28 | CH3(CH2)11CH3 |
tetradecano | 14 | C14H30 | CH3(CH2)12CH3 |
pentadecano | 15 | C15H32 | CH3(CH2)13CH3 |
hexadecano | 16 | C16H34 |CH3(CH2)14CH3 |
heptadecano | 17 | C17H36 | CH3(CH2)15CH3 |
octadecano | 18 | C18H38 | CH3(CH2)16CH3 |
nonadecano | 19 | C19H40 | CH3(CH2)17CH3 |
eicosano | 20 | C20H42 | CH3(CH2)18CH3 |
Nomenclatura Alquenos.
En el sistema IUPAC, los alquenos se nombran como los alcanos,
pero se reemplaza la terminación ano por eno: ejemplo el etano cambia a
eteno.
A partir de 4 carbonos se enumeran los carbonos del extremo mas próximo al doble
enlace, se indica la posición del
enlace doble siendo este el menor de los dos carbonos que lo contienen con la
terminación correspondiente de los alquenos.
Nombre | Número de atomos de carbono | Fórmula
CondensadaCNH2N | Fórmula Semidesarrollada |
eteno | 2 | C2H4 | CH2 = CH2 |
propeno | 3 | C3H6 | CH2 = CH2 - CH3 |
1 buteno | 4 | C4H18 | CH2 = CH2 – CH2 - CH3 |
2 penteno | 5 | C5H10 | CH3-CH2 = CH2 –CH2 -CH3 |
3 hexeno | 6 | C6H12 | CH3-CH2-CH2=CH2-CH2–CH3 |
Nomenclatura Alquinos.
Para nombrar los alquinos se sigue el sistema IUPAC como se hizo con los
alcanos cambiando la terminación -ano por -ino. Ejemplo si se tiene dos
carbonos como
alcano es etano, en los alquinos es etino.
La posición del
triple enlace en la cadena se especifica por un número de forma similar
a la usada en la nomenclatura de los alquenos.
Nombre | Número de atomos de carbono | Fórmula
CondensadaCNH2N-2 | Fórmula Semidesarrollada |
etino | 2 | C2H2 | CH Ξ CH |
propino | 3 | C3H4 | CH Ξ CH2 - CH3 |
1 butino | 4 | C4H6 | CH Ξ C – CH2 - CH3 |
2 butino | 4 | C4H6 | CH3 - C Ξ C – CH3 |
3. Descripción
Las redes neuronales artificiales han sido usadas en este trabajo para predecir
las propiedades críticas (temperatura, presión, volumen)
ademas de la temperatura de ebullición y el factor acentrico de
sustancias organicas puras a partir de las relaciones
estructura-propiedad utilizando Redes de Perceptrones con aprendizaje supervizado
tipo backpropagation con algoritmo Levenberg-Marquardt. Los datos desde la
literatura de las propiedades críticas y basicas de 250
sustancias han sido usados para el entrenamiento de la R.N.A. La
Investigación se centra en el estudio de la mejor topología de la
red para la predicción. Los resultados demuestran que la
topología 9:16:4 (9 entrada propiedades estructurales, 16 neuronas, para
predecir 4 propiedades) predice mejor que los otras topologías en
este estudio.
[
pic][
pic]
Imagen a) Cafeína b)Cumaraina (Haba)
ChemSketch, Diseño de la estructura
Matlab, Estructura de la capa 1 de la red neuronal artificial
LabVIEW, Panel de ingreso de propiedades estructurales
LabVIEW, Panel Predicción de las propiedades criticas y basicas.
----- ----- -------------
En las
redes neutrales biológicas, las
células neuronales (neuronas) representan a los elementos de
procesamiento. Las interconexiones se realizan por medio de las ramas de salida
(axones) que producen
un número de variable de
conexiones (sinapsis) con otras neuronas. Biológicamente, las redes
neuronales estan construidas de forma 3D por componente
microscópicos.
Estas neuronas parecen ser capaces de
interconectarse sin ninguna restricción. Esto no es posible en
las redes neurales artificiales las cuales son
un
simple conglomerado de neuronas artificiales primitiva
Las neuronas se distribuyen creando capas, las cuales se conectan unas con
otras.
Como es
esta conexión varía de
un tipo de
red a otra. La capa de entrada consiste en una serie de neuronas que reciben la
información de entrada
del exterior. La capa de salida
consiste en una serie de neuronas que comunican la respuesta
del sistema al
usuario o ambiente exterior. Usualmente hay
un
número de capas intermedias (ocultas) entre estas dos capas.
