INGENIERÍA E INVESTIGACIÓN VOL. 1 No.

1, 000 DE 2018 (25-09)

Estimation methods and experimental data validation with

Aspen Properties
Validación de datos experimentales y métodos de estimación
Brayan Alonso Bohórquez Torres1, Juliana Gutiérrez Giraldo2

ABSTRACT
To calculate a process, all the operation units require the thermodynamic and physical properties of each compo-
nent and their respective molecular interactions, which is why it is necessary to obtain them from reliable sources
and models. To do this, the Aspen Properties tool is used to obtain the thermodynamic and transport properties of
a pure component or a multicomponent system depending on the nature of the substances and the interactions
between them using information from a wide database. In addition, it allows obtaining the models from experi-
mental data by regression of these or estimation of properties based on the molecular structure. In turn, it is possible
to perform data validation to verify the consistency of these, which is fundamental in any process.
Keywords: Contribution of groups, point test, Redlich-Kister test, thermodynamic models.

RESUMEN
Para calcular un proceso todas las unidades de operación requieren las propiedades termodinámicas y físicas de
cada componente y sus respectivas interacciones moleculares, por lo cual es necesario obtener estos de fuentes y
modelos confiables. Para ello se utiliza la herramienta Aspen Properties que permite obtener las propiedades termo-
dinámicas y de transporte de un componente puro o un sistema multicomponente dependiendo de la naturaleza de
las sustancias y las interacciones entre ellas utilizando información de una amplia base de datos. Además, permite
la obtención de los modelos a partir de datos experimentales mediante regresión de estos o estimación de propie-
dades basadas en la estructura molecular. A su vez, es posible realizar las validacion de datos para verificar la con-
sistencia de estos, lo cual es fundamental en cualquier proceso.
Palabras clave: Contribución de grupos, test de punto, test de Redlich-Kister, modelos termodinámicos.

Received: September __th 2018

Accepted: December __th 2018

1. Introduction1 2 el cálculo de los balances de materia y energía que per-

Para el diseño y/o, en sus etapas iniciales, la simulación
de un proceso fisicoquímico, es necesario el cálculo de
las propiedades de las sustancias presentes. Uno de los
requerimientos que aparece con mayor frecuencia es el
cálculo del equilibrio termodinámico de fases. Esto se
debe a que es el principio básico de varias operaciones
unitarias como: evaporación, destilación, extracción,
entre otras. En este caso es necesario calcular la fugaci-
dad, pero en general también suelen aparecer a me-
nudo otras propiedades termodinámicas (entalpía, en-
tropía, energías libres y volumen) y de transporte (vis-
cosidad, conductividad térmica, coeficiente de difusión
y tensión superficial). El objetivo general resulta siendo
mitan definir, controlar y predecir el comportamiento
del sistema, en cada una de las secuencias del proceso
y de manera global.
El cálculo exacto de estas propiedades resulta imposi-
ble hasta ahora, ya que los métodos que existen en cada
caso implican una parte experimental, lo que en últimas
genera valores con determinada incertidumbre directa
e indirecta a la medida que, a su vez, presenta un grado
de sensibilidad a múltiples factores, traduciéndose en
alejarse del valor real y conllevando en realidad a una
estimación de dicho valor. Por esta razón es que se re-
curre a modelos matemáticos que, con fundamentos
teóricos y a partir de datos experimentales con deter-
minado punto de referencia, permitan estimar el valor

1
Author Description: Chemistry Engineering Student, Universidad Nacional de Colom- How to cite: Journal Space xxxxxxxxxxxxxxxxxxxxx
bia, Colombia.E-mail: babohorquezt@unal.edu.co xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
2
Author Description: Chemistry Engineering Student, Universidad Nacional de Colom-
bia, Colombia. E-mail: jugutierrezg@unal.edu.co

1
Estimation methods and validate experimental data with Aspen Properties

de dichas propiedades, y con esto representar y carac-

𝑓𝑖𝑣 = 𝜑𝑖𝑣 𝑦𝑖 𝑝 (2)
terizar un sistema en cualquier punto con gran exacti-
tud. Estos modelos se ajustan a los datos experimenta- 𝑓𝑖𝑙 = 𝜑𝑖𝑙 𝑥𝑖 𝑝 (3)
les mediante la inclusión de parámetros de ajuste, que
dependen de diversos factores y/o condiciones, en Con:
ecuaciones que correlacionen los datos. De esta ma- 𝑉∝
nera, se “almacena” información de un sistema por me- 1 𝜕𝑝 𝑅𝑇 𝛼 (4)
dio de los parámetros, y así: se evita realizar la deter- ln 𝜑𝑖𝛼 = − ∫ [( ) − ] 𝑑𝑉 − ln 𝑍𝑚
𝑅𝑇 𝜕𝑛𝑖 𝑇,𝑉,𝑛 𝑉
minación experimental cada vez que sea necesario y en ∞ 𝑖𝑒𝑗

infinitos puntos (condiciones), y permite las tan nece-

sarias predicción y continuidad. Donde:

Los simuladores de procesos químicos como Aspen na- 𝛼 = vapor o líquido

cieron de la idea de tener un software que facilitara el
cálculo de las propiedades de determinadas sustancias,
teniendo internamente todos los modelos matemáticos
para esto, y cuyas entradas fueran simplemente las
condiciones de operación. Más adelante se integró el
cálculo de las propiedades con el diseño de equipos y
procesos. Finalmente se llegó a un software que per-
mite simular las condiciones y respuesta de un proceso
en cada una de sus secciones. Aspen Properties es el mó-
dulo de entrada de este entorno de simulación donde
se estiman todas las propiedades de las sustancias y,
como se verá en las secciones siguientes, de su buen
manejo y entendimiento depende la obtención de re-
sultados válidos.
Debido a la alta recurrencia con la que aparece el equi-
librio liquido-vapor (ELV) en los diferentes procesos
químicos, la siguiente descripción y análisis se enfoca
principalmente en este aspecto, ya que es clave en el
cálculo de otras propiedades termodinámicas como las
entalpías y los volúmenes molares.
2. Marco teórico
2.1. Métodos para Propiedades Termodinámi-
cas
La relación básica para cada componente 𝑖 en las fases
de vapor y liquido de un sistema en equilibrio es:
𝑓𝑖𝑣 = 𝑓𝑖𝑙
Donde:
𝑓𝑖𝑣 = Fugacidad del componente i en la fase vapor
𝑓𝑖𝑙 = Fugacidad del componente i en la fase liquida
𝑉 = volumen total
𝑛𝑖 = número de moles del componente i
Método de coeficientes de actividad
𝑓𝑖𝑣 = 𝜑𝑖𝑣 𝑦𝑖 𝑝 (5)
𝑓𝑖𝑙 = 𝑥𝑖 𝛾𝑖 𝑓𝑖∗,𝑙 (6)
Donde 𝜑𝑖𝑣 se calcula de acuerdo con la ecuación 4,
𝛾𝑖 = Coeficiente de actividad de la fase líquida del com-
ponente 𝑖
𝑓𝑖∗,𝑙 = Fugacidad de la fase líquida del componente 𝑖
puro a la temperatura de la mezcla
Cabe resaltar que la ecuación 5 es igual a la ecuación
2, donde también el coeficiente de fugacidad se cal-
cula a partir de una ecuación de estado. Mientras que,
la ecuación 6 es totalmente diferente. Con un método
de ecuación de estado, todas las propiedades se pue-
den derivar de la ecuación de estado para ambas fa-
ses. Usando un método de coeficiente de actividad,
las propiedades de fase vapor se derivan de una
ecuación de estado, exactamente como en el primer
método. Sin embargo, las propiedades de la fase lí-
quida se determinan a partir de la suma de las pro-
piedades del componente puro al que se agrega un
término de mezcla o un término de exceso.
(1)
Un ejemplo del cálculo de otras propiedades termodi-
námicas a partir de los coeficientes de actividad o de
fugacidad, se muestra en la ecuación 7, que corres-
ponde a la entalpía de exceso del líquido:

Los métodos más utilizados para calcular el ELV son el 𝐸,𝑙 𝜕 ln 𝛾𝑖

𝐻𝑚 = −𝑅𝑇 2 ∑ 𝑥𝑖 (7)
método de ecuación de estado y el método del coefi- 𝜕𝑇
𝑖
ciente de actividad, que están en términos de variables
de estado medibles. Análogamente con otras expresiones se puede hacer el
Método de la ecuación de estado cálculo para las demás propiedades.

2 INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 DE 2018 (25-09)


2.2. Modelos termodinámicos: Selección y Vali-
dación
Al construir una simulación, el paso clave es la selec-
ción de un método adecuado para estimar las propie-
dades de los componentes puros y mezclas presentes
en dicha simulación. De los compuestos presentes, así
como de las condiciones de presión y temperatura del
proceso a simular, dependerá la elección del método
que genere unos resultados válidos y reproducibles.
Para validar el método termodinámico escogido, es ne-
cesario comprobar que el método predice efectiva-
mente unos datos experimentales, si no se predicen
bien, hay que ajustar los parámetros del modelo me-
diante una regresión. En caso de no disponer de datos
experimentales, hay que recurrir a métodos de estima-
ción de los parámetros basados en propiedades y carac-
terísticas moleculares.
Selección del modelo
Los métodos termodinámicos disponibles en Aspen
Properties pueden agruparse en cuatro tipos funda-
mentales:
Ecuaciones de estado (EoS): Son ecuaciones que rela-
cionan presión, temperatura y volumen molar de una
sustancia pura, pero generalmente son solo apropiadas
y empleadas para las fases líquida y vapor. Estas ecua-
ciones pueden ser obtenidas a partir de conceptos teó-
ricos, como la ecuación Virial que puede derivarse de la
teoría molecular, aunque limitada en su rango de apli-
cabilidad. También existen EoS semiempíricas, que
pueden ser cúbicas o cuarticas en volumen, y pueden
representar el comportamiento del líquido y el vapor
en intervalos limitados de temperatura y presión para
muchas sustancias, pero no para todas. Por último, se
encuentran las EoS empíricas, que son aplicables en
rangos mucho más amplios de P y T que las anteriores,
pero generalmente requieren muchos parámetros que
requieren ajustarse a grandes cantidades de datos de
varias propiedades, lo que implica que el volumen no se
pueda encontrar analíticamente. Estas ecuaciones in-
tentan modelar el comportamiento de las sustancias,
con respecto a la idealidad, relacionando implícita o ex-
plícitamente, características y propiedades molecula-
res como el tipo y magnitud de las fuerzas de interac-
ción molecular que presentan, así como también el ta-
maño de la molécula.
Tabla 1. Volumen molar de vapor saturado y líquido comprimido de Propano calculados con varias EOS a T = 300 K.
Volumen calculado, cm3/mol
EOS VV % Error
INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 - 2018 (25-09)
B.A. Bohórquez, J. Gutiérrez
Dentro de estas ecuaciones, se destacan las EoS cúbicas,
ya que se desarrollaron en principio para el modela-
miento de gases ligeros e hidrocarburos con un alto
grado de precisión y exactitud, pero posteriormente se
hicieron modificaciones con el fin de ser aplicables a
otras sustancias. Según (Poling, Prausnitz, & O'Conell,
2001, pág. 4.18), es posible formular todas las EoS cú-
bicas posibles en una sola forma general con un total de
cinco parámetros. Si se considera la incompresibilidad
de los líquidos, de tal forma que 𝑃 tienda a infinito a
medida que 𝑉 se aproxima a un parámetro particular 𝑏,
la forma cúbica general para 𝑃 es:
𝑅𝑇 Θ(𝑉 − 𝜂)
𝑃= − (8)
𝑉 − 𝑏 (𝑉 − 𝑏)(𝑉 2 + 𝛿𝑉 + 𝜀)
donde, dependiendo del modelo, los parámetros Θ, 𝜂, 𝛿
y 𝜀 pueden ser constantes, incluso cero, o ser función de
la temperatura y/o composición. En las tablas 4-6, 4-7
y 4-8 (Poling, Prausnitz, & O'Conell, 2001) presentan en
su libro The Properties of Gases and Liquids los paráme-
tros para la ecuación 8, así como la expresión de la de-
pendencia y obtención de estos, dado el caso, en fun-
ción de otras variables. Se sugiere que los modelos de
dos parámetros se apliquen a sustancias simples, mo-
delos de tres parámetros a sustancias normales y mo-
delos de cuatro parámetros a sustancias polares y tal
vez asociadas. Para la mayoría de estos modelos, los pa-
rámetros necesarios para su implementación son las
propiedades críticas (Tc y Pc) y el factor acéntrico de la
sustancia (𝜔) y el calor específico. Aunque estas expre-
siones se concibieron en un principio para sustancias
puras, pueden aplicarse a mezclas promediando los pa-
rámetros mediante las llamadas Reglas de Mezcla, las
cuales pueden ser propuestas para cada modelo espe-
cíficamente o algunas más generales, y dependen de pa-
rámetros de interacción que deben determinarse expe-
rimentalmente.
Para caracterizar pequeñas desviaciones del comporta-
miento del gas ideal (no usar para las fases líquidas), se
sugiere la ecuación viral truncada con el segundo tér-
mino, o con el segundo y tercer coeficiente, B y C. Para
fluidos normales, usar una EoS cúbica generalizada ex-
presada en volumen. Los resultados que se muestran
en la tabla 1 son representativos de lo que se puede es-
perar de algunos de los modelos más utilizados.
VL % Error V ΔV % Error
3
Estimation methods and validate experimental data with Aspen Properties

Van der Waals (1890) 2177 6.9 145.4 61.5 135.5 9.9 467
Redlich-Kwong (1949) 2085 2.4 101.4 12.5 97.3 4.1 134
Wilson (1964) 2061 1.2 98.0 8.8 94.8 3.2 84
Soave (1972) 2065 1.4 98.5 9.3 95.1 3.4 90
Fuller (1976) 2127 4.5 78.1 -13.3 75.6 2.5 42
Peng-Robinson (1976) 2028 0.1 86.8 -3.7 84.1 2.7 51

Todos los modelos dan resultados equivalentes y
confiables para los vapores saturados (excepto
para sustancias dimerizantes como los ácidos car-
boxílicos). En este caso se muestran los resultados
para una sustancia normal como lo es el propano, y
por normal, se quiere decir que es una sustancia cu-
yas interacciones moleculares son solo las de Van
der Waals, no es polar y no forma puentes de hidro-
geno. Para sustancias polares y de asociación, se
puede usar un método basado en cuatro o más pa-
rámetros. Las ecuaciones cúbicas expresadas en
volumen pueden ser bastante satisfactorias para
las moléculas pequeñas, aunque las expresiones de
perturbación suelen ser necesarias para los polí-
meros y los modelos químicos para los vapores de
ácido carboxílico. Hay que tener en cuenta que el
volumen de un líquido puede ser requerido en el
cálculo de entalpías, por lo tanto, en este caso es ne-
cesario usar EoS de mayor precisión.
La elección del modelo, a parte de la naturaleza quí-
mica de la sustancia, también depende desde el
punto de vista técnico, de la tolerancia que se per-
mita, así como de la disposición de los parámetros
requeridos por cada modelo y de la complejidad
que se esté dispuesto a enfrentar.
Si se desea calcular solo volúmenes de líquidos sa-
turados o comprimidos, una de las correlaciones en
las siguientes secciones puede ser la mejor opción.
Modelos de coeficientes de actividad (LACM):
Estos modelos se desarrollaron para modelar mez-
clas con comportamiento altamente no ideal en
fase líquida; como la presencia de azeótropos, in-
miscibilidad de fases, etc, y que las EoS no son ca-
paces de predecir con gran exactitud. El funda-
mento teórico de los LACM se basa en la energía li-
bre de Gibbs de exceso, la cual contempla la desvia-
ción de la idealidad. Estos modelos consisten bási-
camente en ajustar datos experimentales del equi-
librio líquido-vapor a través de determinados pará-
metros según cada modelo.
La mayoría de estos modelos fueron propuestos
para mezclas binarias, pero son extensibles a mez-
clas multicomponentes, donde son necesarios los
parámetros binarios de cada par.

Tabla 2. Descripción básica de los modelos de coeficientes de actividad más conocidos.

Modelo Descripción
Es un modelo de naturaleza empírica y puede usarse en sistemas que pre-
Van Laar
sentan desviaciones positivas o negativas de la ley de Raoult.
No tiene fundamentos teóricos, pero es útil para estimaciones rápidas e
Margules interpolación de datos cuando se modela el equilibrio líquido vapor y lí-
quido-líquido. Permite la adición de parámetros.
Puede representar satisfactoriamente casi todas las soluciones líquidas no
Wilson ideales, con mezclas de compuestos polares y no polares, excepto electro-
litos y soluciones que presentan una limitada miscibilidad.
Elimina las limitaciones del modelo de Wilson. Es capaz de representar el
NRTL
comportamiento de los equilibrios LV, LL y LLV.
Es un modelo semiteórico. Es capaz de predecir el equilibrio LV, LL y LLV
UNIQUAC en sistemas altamente no ideales. Requiere menor volumen de datos de
parámetros que NRTL.
UNIFAC Es muy útil cuando se carece datos experimentales.

4 INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 DE 2018 (25-09)


Figura 1. Árbol de decisiones para la elección del mejor modelo termodinámico.
Modelos predictivos (EOS-LACM):
Modelos especiales (Electrolitos, aminas, políme-
ros, etc):
2.3. Métodos para Propiedades de Transporte
2.4. Moléculas
2.5. Contribución de grupos
2.6. Consistencia termodinámica
Es una prueba que se puede realizar a los datos bina-
rios de un equilibrio líquido vapor cuando se realiza
una regresión (a partir de datos experimentales), con
el fin de definir una coherencia termodinámica. Estos
métodos para estimar la consistencia termodinámica
se pueden clasificar en dos grupos: integrales y dife-
renciales. El primer método evalúa el conjunto de da-
tos experimentales de manera global y se conoce
como “test de áreas”, mientras que el segundo exa-
mina los datos de equilibrio individualmente y se co-
noce como “test de punto”. Ambas pruebas se basan
en la ecuación de Gibbs-Duhem (ecuación 9), y los
INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 - 2018 (25-09)
B.A. Bohórquez, J. Gutiérrez
más conocidos son los de Redlich-Kister (de áreas) y
de Van Ness y Fredenslund (de punto). Estos son pre-
cisamente los que tiene incorporados Aspen.
∆𝐻 ∆𝑉
𝑑𝑇 − 𝑑𝑃 + ∑ 𝑥𝑖 𝑑 ln 𝛾𝑖 = 0 (9)
𝑅𝑇 2 𝑅𝑇
𝑖
Donde,
∆𝐻 = Variación de la entalpía por efecto del mezclado
∆𝑉 = Variación del volumen molar de la mezcla
Para todos los 𝑁 componentes 𝑖.
Prueba de áreas: Redlich-Kister
La ecuación 9 expresa de manera general las relacio-
nes entre las propiedades parciales de los componen-
tes de una mezcla. Esta ecuación, en su forma inte-
grada a temperatura y presión contante, se puede es-
cribir para un sistema binario como:
5
Estimation methods and validate experimental data with Aspen Properties
1 Prueba de Fredenslund. Esta prueba se realiza a
𝛾1
∫ ln ( ) 𝑑𝑥1 = 0
𝛾2
0 de vapor de cada componente con la ecuación de An-
𝛾 toine de 7 parámetros, y los coeficientes de actividad
Si se grafica ln ( 1 ) vs 𝑑𝑥1 , se obtiene una gráfica simi-
𝛾2
lar a la de la figura 2. El test de áreas consiste en veri-
ficar que el área de la zona A sea igual al área de la
zona B.
Figura 2. Representación gráfica de la prueba de
Redlich-Kister.
Hay que tener en cuenta que, para datos isotérmicos,
la ecuación 10 es aplicable ya que, al compararla con
la ecuación 9, el efecto del volumen de la mezcla se
puede considerar como despreciable. Mientras que,
para datos isobáricos no resulta adecuado, ya que por
su fundamento termodinámico no se puede despre-
ciar el efecto del calor de mezclado, lo que se traduce
en que las áreas sobre y bajo la curva, de este test, no
es la misma.
Pruebas de punto
Pruebas de Van Ness. Conocido como el “método de
la pendiente”, este método indica que, para un ELV de
un sistema binario a temperatura constante y bajas
presiones, se cumple:
𝑑 ln 𝛾1 𝑑 ln 𝛾2
𝑥1 + 𝑥2 =0 (11)
𝑑𝑥1 𝑑𝑥1
Al graficar ln 𝛾1 vs 𝑥1 y ln 𝛾2 vs 𝑥1 se debe cumplir que
las pendientes de estas curvas cumplan con la ecua-
ción 11 para que los datos sean termodinámicamente
consistentes.
6 INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 DE 2018 (25-09)
partir de las variables del sistema (T,x,y) a presión
(10)
constante. Esta prueba implica el cálculo de la presión
experimentales a partir de la expresión de la ley de
Raoult modificada. Los datos de equilibrio son consis-
tentes si:
𝑦𝑖,𝑒𝑥𝑝 − 𝑦𝑖,𝑐𝑎𝑙
𝑀𝐴𝐷 𝑦𝑖 = | | < 0,01
𝑛
Esta prueba se basa en la aplicación global de la esta-
dística y por lo tanto no toma en cuenta las posibilida-
des de inconsistencias locales, por lo que debe acom-
pañarse del análisis de la distribución aleatoria de re-
siduos.
3. Descripción de Aspen Properties
3.1. Bases de datos
3.2. Parámetros: Regresión y Optimización
3.3. Análisis, estimación y regresión
Para la determinación de las propiedades termodiná-
micas existen tres herramientas: análisis, estimación
y regresión y su utilización depende de la información
conocida sobre los componentes con los que se quiere
trabajar.
Se utiliza Análisis cuando los componentes de interés
están en las bases de datos utilizadas por Aspen y
existe un método termodinámico que permita obte-
ner las propiedades en función de la presión y tempe-
ratura para componentes puros. Para sistemas bina-
rios los resultados son diagramas Txy, Pxy o de ener-
gía de Gibbs de mezclado. Así mismo, pueden calcu-
larse diagramas ternarios o curvas residuales.
La herramienta de Estimación se emplea para prede-
cir las propiedades de un componente conociendo
como mínimo la estructura molecular o los grupos
funcionales, la temperatura normal de ebullición y el
peso molecular, También se puede requerir algún
otro parámetro adicional dependiendo de la propie-
dad que se quiere estimar. En la tabla 1 se presentan
solo algunas de las propiedades que es posible calcu-
lar por estimación.
 B.A. Bohórquez, J. Gutiérrez

Tabla 3. Propiedades estimadas, métodos recomendados y parámetros requeridos.

Propiedad Abreviatura Método Información requerida

Peso molecular MW Fórmula Estructura

Joback Estructura
Punto de ebullición normal TB Ogata-Tsuchida Estructura
Gani Estructura
Mani TC, PC, datos de presión de vapor
Joback Estructura, TB
Lydersen Estructura, TB
Fedors Estructura
Temperatura crítica TC Ambrose Estructura, TB
Simple MW, TB
Gani Estructura
Mani Datos de presión de vapor

Joback Estructura
Presión crítica PC Lydersen Estructura, MW
Ambrose Estructura, MW
Gani Estructura

Joback Estructura
Lydersen Estructura
Ambrose Estructura
Volumen crítico VC
Riedel TB, TC, PC
Fedors Estructura
Gani Estructura

La estructura molecular se puede definir por medio

del método general donde se asignan a cada uno de
los átomos presentes números consecutivos que los
identifiquen, exceptuando el hidrógeno, y el tipo de
enlace que une a cada para de átomos en la molécula.
También se puede definir dibujando la estructura mo-
lecular.
Para ello se utilizan más de 40 métodos de estimación
de propiedades incluyendo los métodos de contribu-
ción de grupos de Gani, de Joback, de Lydersen, entre
otros dependiendo de la propiedad a estimar, los pa-
rámetros requeridos y el porcentaje de error asociado
a cada método.
La herramienta Regresión se usa para ajustar un mo-
delo a unos datos experimentales a partir de los pará-
metros de ajuste del mismo, y de esta forma poder ob-
tener un modelo que describa continuamente una
propiedad de una sustancia pura o mezcla dentro de
un intervalo determinado.
Esta herramienta es útil tanto para propiedades
termodinámicas, como para propiedades de trans-
porte. Sin embargo, en este punto es clave la elec-
ción del modelo; conocer sus aplicaciones, condi-
ciones y restricciones, y sobre todo su forma y pa-
rámetros. Más adelante, se hará inciso en que, aun-
que Aspen encuentre unos parámetros de ajuste
para el modelo seleccionado para los datos experi-
mentales introducidos, no implica que el ajuste sea
realmente bueno y, por lo tanto, que el modelo y re-
sultados que ofrezca sean válidos. Para la explica-
ción de esta herramienta y demostrar su importan-
cia y la de su buen manejo, a modo de motivación,
se hará con un ejemplo muy conocido: el equilibrio
líquido-vapor de Etanol y Agua (ver sección 4.2.).
Para la regresión de los datos es muy importante co-
nocer la estructura del modelo que se va a utilizar, ya
sea para las propiedades termodinámicas o para las
de transporte, o de si se trata de una sustancia pura o
de una mezcla. Por ejemplo, para el caso mostrado en
la sección 4.2 (ELV de etanol-agua), en primer lugar,

INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 - 2018 (25-09) 7

Estimation methods and validate experimental data with Aspen Properties
se debe seleccionar el tipo de datos que se querían re-
gresar, que en este caso es una mezcla y son datos de
tipo equilibrio termodinámico. Una vez introducidos,
se crea un nuevo caso en Regression y se configura con
el modelo termodinámico determinado. En la pestaña
Parameters, es necesario conocer cuales parámetros
se pueden regresar y qué orden tienen establecido in-
ternamente. Para esto, se va a la ayuda de Aspen Pro-
perties (oprimir F1), se ubica en la sección Physical
Property Models, allí aparecen las categorías de los
modelos disponibles (ver figura 3). En este caso se da
clic en la categoría Thermodynamic Property Models, y
aparece una lista con todos los modelos termodinámi-
cos (ecuaciones de estado, modelos de coeficientes de
Figura 3. Expresión de la ecuación de Peng-Robinson en
Aspen.
Dentro de los resultados de la regresión, además de
las estimaciones de los parámetros, se encuentra el
test de consistencia termodinámica del que se habló
anteriormente. El resultado que acá se genere de-
pende de la configuración de la regresión, donde se
debió elegir el método de prueba de consistencia y la
tolerancia del mismo. Hay que aclarar que este test
solo está disponible para equilibrio liquido-vapor de
sistemas binarios, y que los datos experimentales in-
troducidos deben ser al menos cinco, sin contar los
puntos de datos de componente puro (x = 0.0 y x =
1.0). El resultado muestra si los datos superan la
prueba de coherencia o no, en caso tal que no, signi-
fica que los datos contienen errores experimentales o
al introducirlos a Aspen, o que el modelo termodiná-
mico elegido no es válido.
En los resultados también aparece el Residual, que
muestra una tabla de resultados en los que se reporta
el error y la desviación de los datos obtenidos por re-
gresión, y los datos experimentales introducidos.
8 INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 DE 2018 (25-09)
actividad, fugacidad, calores de vaporización, entre
otros). Se da clic en Peng-Robinson, que es el modelo
estudiado, y aparecen las ecuaciones que describen
este modelo en Aspen. En la figura 4 se muestran es-
tas ecuaciones, y se hace énfasis en la expresión del
parámetro de interacción binaria, donde 𝑘𝑖𝑗 𝑛 , son
constantes de interacción binaria, por lo tanto, estos
se pueden elegir como parámetros de ajuste, con 𝑛
siendo la identificación de cada uno (1,2,3).
En la figura 17 de la sección 4.2 se ve la configuración
de los parámetros, donde el tipo y el número que se
introduce en la fila Element corresponden a la ante-
rior descripción.
Figura 4. Physical Property Models.
3.4. Contribución de grupos
Son métodos que consideran que las propiedades es-
tán definidas por la estructura molecular así que
cuando una molécula está conformada por grupos
funcionales determinados se le asigna un valor a cada
uno de ellos para representar sus contribuciones a di-
cha propiedad.
La ventaja es que permiten obtener estimar propieda-
des rápidamente. Sin embargo, cada método tiene su
propia caracterización de los grupos funcionales y la
capacidad de predecir ciertas propiedades de
acuerdo a su forma de cálculo.
Método de Gani
Concibe que la estructura molecular está conformada
por grupos funcionales de primer y segundo orden, en
el primer caso se agrupan gran variedad de compues-
tos químicos orgánicos en el que cada grupo de ser lo
más pequeño y específico posible.

Sin embargo, aunque en algunos casos esto no sea re-
comendable ya que escoger grupos muy pequeños
puede afectar la veracidad del método como sucede
en el caso de los ésteres que por su variedad todos
han sido incluidos en esta categoría.
Para el caso de los aromáticos en el primer grupo se
consideran cadenas como aC-R, aC-CO o aC-COO para
describir una serie de substitutos aromáticos.
Para describir piridinas y otros aromáticos nitrogena-
dos se especifican los grupos aN y aCH.
Para diferenciar entre los grupos que hacen parte de
estructuras cíclicas y acíclicas se incluyeron diferen-
tes grupos de anillos para describir cicloalcano y ci-
cloalquenos, entre otros. [1]
Los grupos de primer orden deben describir la molé-
cula completamente y cada átomo o molécula no
puede pertenecer a más de un grupo por lo que nin-
gún grupo puede solaparse sobre otro. La clasifica-
ción de grupos se hace de acuerdo al peso de cada
grupo (la suma de los pesos atómicos incluidos en
Tabla 4. Fórmulas de estimación de propiedades con el método de Gani.
Cabe resaltar que para emplear este método en Aspen
Properties es necesario ingresar como parámetro la
estructura molecular o el listado de grupos funciona-
les.
Además, es más preciso en la estimación de tempera-
tura de ebullición que el método de Joback y es ade-
cuado también para propiedades críticas (Tc, Pc y Vc).
Pero, para la determinación del calor de formación de
gas ideal y la energía libre de Gibbs el método de Gani
es más preciso que el de Joback pero se recomienda
mejor utilizar el de Benson.
INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 - 2018 (25-09)
B.A. Bohórquez, J. Gutiérrez
cada grupo) ya que se asume que mientras más “pe-
sado” es el grupo mayor información puede proveer
sobre la propiedad.
Lastimosamente los grupos de primer orden sólo cap-
turan parcialmente los efectos y diferencias entre isó-
meros por lo que es necesario agregar un segundo
grupo para compuestos más complejos.
Los grupos de segundo orden pueden solaparse entre
ellos, contrario a lo sucedido en los grupos de primer
orden, pero se debe evitar que los grupos se solapen
entre ellos completamente ya que puede generar una
descripción redundante. [1]
En este orden se incluyen los grupos que pueden dar
una mejor descripción de compuestos polifuncionales
e isómeros. Además, no toda la molécula tiene que ser
descrita con grupos funcionales del primer orden,
sino que el objetivo es describir fragmentos de estruc-
tura que no se pueden representar adecuadamente
con grupos del primer orden.
Para cada propiedad que se puede predecir existe una
fórmula como se presenta en la siguiente tabla:
Método de Joback
Considerando 41 grupos funcionales utiliza la infor-
mación estructural básica de una molécula como una
lista de grupos funcionales simples, agrega paráme-
tros a estos grupos y calcula las propiedades de trans-
porte y termodinámicas como una función de la suma
de los parámetros de dichos grupos. [2]
Asume que no hay interacción entre los grupos por lo
que sólo usa las contribuciones y no contribuciones
aditivas.
9
Estimation methods and validate experimental data with Aspen Properties
Puede utilizarse para estimar temperatura de ebulli-
ción, temperatura, presión y volumen críticos, calor
de formación, energía libre de Gibbs y capacidad calo-
rífica de gas ideal ingresando la estructura molecular
únicamente con excepción de la temperatura crítica
para la cual también se requiere como parámetro la
temperatura normal de ebullición.
Para cada propiedad existe una fórmula donde se con-
sideran las contribuciones de cada grupo funcional,
por ejemplo, para estimar la temperatura de ebulli-
ción se emplea la siguiente ecuación:
Tb (K) = 198 + ∑ Tb, i
La limitación de este método es que no considera in-
teracciones entre grupos funcionales, por lo tanto,
solo tiene en cuenta contribuciones aditivas.
3.5. Complemento de Excel
Figura 5. Interfaz de Molecule editor.
Los átomos de hidrógeno se agregan automática-
mente para completar las valencias de los carbonos
en los compuestos orgánicos.
10 INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 DE 2018 (25-09)
4. Simulaciones
4.1. Creación de una molécula
Cuando las propiedades de la sustancia que se nece-
sita no están en las bases de datos de Aspen Proper-
ties entonces es posible dibujar la molécula y por me-
dio de métodos de contribución de grupos realizar
una estimación de los valores de las diferentes pro-
piedades para el compuesto desconocido.
Con la herramienta Draw Structure ubicada en la ba-
rra de herramientas superior se activa un área de di-
bujo donde se pueden ir agregando los átomos y enla-
ces de la estructura deseada, siempre y cuando no se
viole la valencia del elemento, seleccionando el ele-
mento de la barra de opciones
de la izquierda y haciendo clic sobre la cuadrícula
para agregarlo.
El ícono sirve para desplazarse en el área de di-
bujo
Estos símbolos se utilizan para repre-
sentar enlaces simples que cambian de posición en la
molécula de acuerdo con la estereoquímica. El primer
átomo seleccionado es el que se encuentra en el vér-
tice de la representación del enlace.
 B.A. Bohórquez, J. Gutiérrez

Para representar la carga de un átomo se emplean los luego se dibuja la molécula con la herramienta pre-
viamente explicada (Molecule Editor).
siguientes íconos:
Para la estimación de las propiedades lo único que se
tiene en cuenta es la información de los enlaces en la
molécula ya que se obvia la posición espacial de los
átomos y la longitud de los enlaces.
La molécula dibujada puede guardarse como un ar-
chivo .mol para utilizarla en otra ocasión para impor-
tarla a la nueva simulación.

Figura 7. Molécula de ácido úrico.

Figura 6. Barra de herramientas del editor de molécu- Luego, de dibujarla se guarda el archivo .mol y se cie-
las. rra la ventana regresando nuevamente a los paráme-
tros de entrada del nuevo componente donde ya está
La barra de herramientas cuenta con las funciones ha- cargada la estructura y se ingresan los parámetros
bituales de otros complementos de Aspen. Adicional- para las estimaciones, en este caso solo se tiene in-
mente cuenta con los botones Flip que permiten girar formación del peso molecular y la gravedad especí-
la molécula o enlaces en diferentes direcciones. fica.
Los botones Toggle grid y Toggle ruler permiten acti-
var o desactivar la cuadrícula y la regla, respectiva-
mente, en la interfaz donde se dibuja la molécula.
Con el fin de determinar las propiedades de un com-
ponente que no está en las bases de datos de Aspen se
ingresa la sustancia en Componentes⟶ Especificacio-
nes utilizando el botón User defined, a continuación, se
abre un cuadro de diálogo que permite especificar
qué tipo de nuevo componente es, convencional, no
convencional o sólido. Así mismo, dependiendo del
tipo varía la información requerida para la estimación
de las propiedades.
• Convencional: Para componentes que hacen
parte de equilibrios líquido-vapor. Se requiere
peso molecular, estructura molecular, tempera-
tura normal de ebullición, presión de vapor y ca- Figura 8. Parámetros para definir un componente
pacidad calorífica de gas ideal. nuevo.
• Sólido: Se utiliza para componentes sólidos con-
vencionales para los cuales aplican los modelos Por otro lado, también se pueden obtener las propie-
de sólidos. Los parámetros de entrada son peso dades utilizando el sistema de estimación de Aspen
molecular, presión de vapor y estructura molecu- Properties que incluye métodos de contribución de
lar. grupos como Joback y Gani.
• No convencional: Se utiliza para sólidos que no
están caracterizados por componentes molecula-
res, por su complejidad requieren como paráme-
tros de entrada modelos para el cálculo de ental-
pía y densidad.
En este caso la molécula para el ejemplo es ácido
úrico, así que se utilizará el método convencional,

INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 - 2018 (25-09) 11

Estimation methods and validate experimental data with Aspen Properties
Figura 9. Parámetros adicionales y métodos de cálculo
de las propiedades del componente nuevo.
De acuerdo con la información suministrada el pro-
grama calcula cada una de las propiedades, ya que
algunos métodos requieren parámetros de entrada
adicionales como se observa en la tabla 1.
Figura 10. Propiedades con NIST TDE.
En el siguiente paso, pueden adicionarse los valores
de otras propiedades si son conocidos como la pre-
sión de vapor. Sin embargo, en este caso no se cono-
cen más datos.
Por otro lado, aparecen dos opciones para estimar las
propiedades, una de ellas es con NIST TDE (Thermo
Data Engine) que consiste en realizar la evaluación di-
námica de los datos para obtener los parámetros de
regresión de las propiedades a partir de la base de da-
tos de NIST.
La evaluación se divide en cuatro partes indepen-
dientes inicialmente: diagrama de fases, propiedades
volumétricas, energéticas y otras como las propieda-
des de transporte. Primero, se hace el test de consis-
tencia termodinámica en cada uno de los tres prime-
ros bloques y luego se procesan los datos para obte-
ner las propiedades respectivas.
Finalmente, usando NIST TDE se obtienen los si-
guientes resultados para todas las propiedades, los
12 INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 DE 2018 (25-09)
cuales se comparan con los obtenidos por medio de
los métodos estimativos presentados en la figura 7.
Figura 11. Estimación con métodos de contribución de
grupos.
El método utilizado para estimar la mayoría de las
propiedades es el de Joback debido a la sencillez del
método ya que no contempla interacción entre gru-
pos. Sin embargo, presenta limitaciones y es mejor
usar otros métodos en ciertos casos, por ejemplo, el
de Gani es más preciso para la determinación de la
temperatura de abullición.
Para utilizar los métodos de estimación como el de Jo-
back se utiliza la herramienta de Cálculo de enlaces
disponible en la opción de la barra de la izquierda de
Estructura molecular en la pestaña Estructura, para
definir completamente cada uno de los enlaces y la
fórmula del componente a partir de la mólecula dibu-
jada en el editor.
El método de Joback para la determinación de la
temperatura normal de ebullición tiene un error del
9.15% respecto al valor calculado utilizando NIST
TDE. No se compara con el valor experimental de-
bido a que no se encontró reportado en alguna
fuente. Solo se encontró que es superior a 573 K.
4.2. Modelos termodinámicos
Para realizar la regresión de datos se hace a partir de
un caso normal. En primer lugar, se especifican los
componentes, en este caso agua y etanol. Dando clic
en Next, se llega a la selección del modelo termodiná-
mico, en este caso se selecciona Peng-Robinson a
modo ilustrativo, pero para regresiones válidas hay
que considerar la selección correcta de la que se habló
en secciones anteriores, →Next >Run properties. Una

vez finalizado el análisis, se puede ver en la sección
Analysis (de la pestaña Home), en la opción Binary, los
diagramas de composición Txy. Para esto en la pes-
taña que se abre opción Binary Analysis se selecciona
el tipo Txy, se especifica que la base sea en fracción
molar y la presión como 1 atm, →Run Analysis. Se ge-
nera la gráfica de la figura 12 (se modificó el formato
para obtener una mejor visualización).
Si en el árbol de ítems se busca en Methods > Parame-
ters > Binary Interaction > PRKBV- 1 (figura 13), se
puede ver que los parámetros no fueron calculados, y
por eso la gráfica tiene esa forma y es errónea. Como
se sabe, la mezcla de etanol y agua no es una solución
ideal, ya que presenta un azeótropo debido a las in-
teracciones moleculares por ser moléculas polares,
por esta razón el modelo de Peng-Robinson no es
apropiado como lo sí lo podría ser un método de coe-
ficiente de actividad como NRTL. Sin embargo, a par-
tir de datos experimentales se pueden generar los pa-
rámetros de interacción.
Para realizar la regresión de datos es necesario pri-
mero obtener los datos experimentales del sistema,
luego determinar cuáles parámetros pueden ser re-
gresados de acuerdo con el modelo seleccionado y fi-
nalmente realizar la regresión. Una vez se disponga
de los datos, se da clic en Home > (Run Mode) > Regres-
sion, se puede observar que aparecen como requeri-
mientos Data y Regression en el árbol de ítems. En
Data > New se crea un nuevo grupo de datos, donde
se requiere un nombre (ID) y el tipo de datos, que
T-xy diagram for AGUA/ETANOL
380
375
370
Temperature, K
365
360
355
350
345
0,0 0,1 0,2 0,3
Liquid/vapor mole fraction, AGUA
Figura 12. Diagrama Txy para el sistema etanol-agua con el modelo Peng-Robinson.
B.A. Bohórquez, J. Gutiérrez
puede ser para una sustancia pura o para una mezcla,
en este caso es una mezcla. En Setup se seleccionan los
componentes de la mezcla (etanol y agua), la catego-
ría; que depende del tipo de propiedades para las que
se tomaron los datos (en este caso Phase equilibrium),
y el tipo de datos (ver figura GGG). Este último se se-
lecciona de acuerdo con los datos que se disponga
para la categoría seleccionada, en este caso se dispone
de los Txy para el equilibrio, pero también podría ser
los Pxy. Los datos de los que se dispone fueron toma-
dos a una presión de 1 atm, lo cual también debe ser
especificado en el Setup de Data.
En la figura 15 se muestra los datos que fueron intro-
ducidos en la pestaña Data, donde es importante des-
tacar que la primera fila es predeterminada por el si-
mulador, y permite introducir la desviación estándar
(STD-DEV) de los datos. En las filas siguientes se in-
troducen los datos especificando como tipo DATA en
Usage, y verificando que las unidades estén bien esta-
blecidas, →Next. En el ítem Regression se crea un
nuevo caso, seleccionando el método Peng-Robinson
en este caso, se selecciona el grupo de datos en Data
set con el nombre que se haya puesto (figura 16), y se
especifica que el área de tolerancia sea del 1% (en la
sección 2.6. se explica esto).
En la pestaña Parameters se configura como se mues-
tra en la figura 17, de acuerdo con el modelo seleccio-
nado, Para esto es necesario conocer la forma como
Aspen tiene codificados los modelos termodinámicos
(ver sección 3.3.)
x 1,0 atm
y 1,0 atm
0,4 0,5 0,6 0,7 0,8 0,9 1,0
INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 - 2018 (25-09) 13
Estimation methods and validate experimental data with Aspen Properties

Figura 13. Parámetros binarios para el sistema etanol-agua con la herramienta Analysis.

Figura 14. Creación de un Data set para almacenar los datos experimentales.

Figura 15. Datos experimentales almacenados en Data. Fuente: Dortmund Data Bank.

14 INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 DE 2018 (25-09)

 B.A. Bohórquez, J. Gutiérrez

Figura 16. Definición de un caso para regresión.

Figura 17. Configuración de los parámetros que van a ser regresados.

Una vez configurada la regresión, se da clic en Run y
se obtienen los parámetros mostrados en la figura 18.
Se revisa Methods > Parameters > Binary Interaction >
PRKBV- 1, y ahora se puede observar que hay unos pa-
rámetros binarios (figura 19), no como en la figura 13
que correspondía a Analysis y no a Regression. Ahora
se obtiene el diagrama Txy de la figura 20 que mues-
tra un mejor modelado de los datos, muy diferente al
de la figura 12.
Hay que resaltar que ambas gráficas Txy se obtuvie-
ron con el modelo de Peng-Robinson, pero en el pri-
mer caso sin parámetros binarios. Acá se puede notar
la gran importancia de la herramienta Regression que,
ajustando los parámetros binarios, mejora en gran
medida el modelo. Esta idea se puede extrapolar no
solo a otras propiedades termodinámicas, sino tam-
bién a propiedades de transporte de la sustancia pura.
Sin embargo, aunque la regresión se llevó a cabo y se
obtuvo un modelamiento mucho mejor de los datos
experimentales, en la figura 21 se pueden observar

INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 - 2018 (25-09) 15

Estimation methods and validate experimental data with Aspen Properties
los resultados de la consistencia termodinámica a tra-
vés del test de área, el cual determina que el modelo
es inconsistente. Se parte del hecho que los datos ex-
perimentales son totalmente válidos, debido a la
fuente de donde fueron sacados, por lo tanto, en este
caso falló el modelo termodinámico escogido, como se
sabía desde un principio.
Figura 18. Resultados de la regresión.
Figura 19. Parámetros binarios obtenidos por regresión.
16 INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 DE 2018 (25-09)
Ahora, si se realiza el procedimiento anterior, pero
con el modelo NRTL, se obtiene la gráfica de la figura
22, donde se puede ver una mejor correlación de los
datos. Además, el test de consistencia arroja los resul-
tados de la figura 23, donde se observa que la regre-
sión pasó la prueba y, por lo tanto, el modelo es con-
sistente. Esto permite concluir la importancia de la
elección del modelo termodinámico dependiendo de
las sustancias y las condiciones de proceso.
 B.A. Bohórquez, J. Gutiérrez

T-xy of AGUA ETANOL

101
Exp Y ELV VLE (1,0133 bar)
Est Y ELV VLE (1,0133 bar)
Exp X ELV VLE (1,0133 bar)
Est X ELV VLE (1,0133 bar)
96

91
Temperature C

86

81

76
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Mole Fraction AGUA

Figura 20. Diagrama Txy del sistema etanol-agua modelado por la ecuación de Peng-Robinson por regresión.

Figura 21. Resultados de la consistencia termodinámica de la regresión.

INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 - 2018 (25-09) 17

Estimation methods and validate experimental data with Aspen Properties

T-xy of AGUA ETANOL

375
Exp Y ELV VLE (1 atm)
Est Y ELV VLE (1 atm)
Exp X ELV VLE (1 atm)
370 Est X ELV VLE (1 atm)

365
Temperature K

360

355

350
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Mole Fraction AGUA

Figura 22. Diagrama Txy del sistema etanol-agua obtenido por regresión con el modelo NRTL.

Figura 23. Resultados del test de consistencia para el modelo NRTL.

4.3. Complemento de Excel • Los métodos de contribución de grupos per-

5. Conclusiones
• Aspen Properties es una herramienta muy
útil ya que permite calcular, estimar y obtener propie-
dades termodinámicas y de transporte tanto para
componentes puros como mezclas binarias em-
pleando bases de datos, modelos termodinámicos o
métodos de estimación.
miten estimar gran cantidad de propiedades con in-
formación escaza de un componente que puede ser
inexistente en las bases de datos que maneja Aspen
únicamente conociendo la estructura y el peso mole-
cular.
• La precisión de las estimaciones depende de
la metodología de cálculo de los métodos utilizados,
por lo cual existen recomendaciones para cada pro-
piedad de acuerdo a la rigurosidad del cálculo y a los
parámetros de entrada requeridos.

18 INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 DE 2018 (25-09)


• Utilizando Aspen Properties se obtienen dia-
gramas en función de la temperatura y la presión
tanto para componentes puros como para mezclas bi-
narias donde también se tiene en cuenta la composi-
ción. Así mismo, es posible determinar los diagramas
de curvas residuales.
6. Bibliografía
Marrero, J. and Gani, R. . Group-contribution based es-
timation of pure component properties. 2001. pp.
185-190.
FIERRO, Elías N; FAUNDEZ, Claudio A y VALDE-
RRAMA, José O. Método de Contribución de Grupos:
INGENIERÍA E INVESTIGACIÓN VOL. 1 No. 1, 0000 - 2018 (25-09)
B.A. Bohórquez, J. Gutiérrez
una Herramienta Fundamental en cursos Avanzados
de Termodinámica y Física de Fluidos para la Estima-
ción de Propiedades de Sustancias.Form. Univ. [on-
line]. 2016, vol.9, n.3 [citado 2018-09-25], pp.99-108.
Disponible en: <https://scielo.co-
nicyt.cl/scielo.php?script=sci_arttext&pid=S0718-
50062016000300011&lng=es&nrm=iso>. ISSN
0718-5006. http://dx.doi.org/10.4067/S0718-
50062016000300011.
ASPENTECH, User guide. Aspen Physical Property
System: Physical Property Methods and Models
11.1.
19