Machine Translated by Google

pubs.acs.org/IECR Artículo

Una visión del futuro de la termodinámica aplicada Jean­Charles de

Hemptinne,* Georgios M. Kontogeorgis, Ralf Dohrn, Ioannis G. Economou, Antoon
ten Kate, Susanna Kuitunen, Ljudmila Fele Ž ilnik, Maria Grazia De Angelis y Velisa Vesovic

Cite esto: Ing. Ind. Química. Res. 2022, 61, 14664­14680

Leer en línea

ACCESO Métricas y más Recomendaciones de artículos

RESUMEN: La termodinámica es la ciencia de las interacciones entre energía y materia. Se formalizó a finales del
siglo XIX y sigue siendo una pieza esencial para resolver muchos desafíos tecnológicos que enfrenta la sociedad
actual. Sin embargo, a menudo se considera complejo y desafiante, tal vez porque a menudo se enseña dentro de un
marco matemático rígido, sin resaltar la amplia gama de aplicaciones y herramientas que ofrece para comprender y
elaborar un futuro sostenible. Los autores de este artículo han realizado un estudio industrial (Kontogeorgis et al., Ind.
Eng. Chem. Res., 2021, 60, 13, 4987­5013), que señaló que la termodinámica es de hecho una piedra angular de
muchos procesos en un amplia gama de industrias, pero que a día de hoy, muchas preguntas y necesidades siguen
sin respuesta. Algunas respuestas faltantes se deben a la falta de conocimiento de las herramientas existentes
(cuestión educativa), otras a la falta de disponibilidad de modelos, parámetros o a la falta de transferibilidad de los
conceptos de un sistema a otro. En otros casos, simplemente, no existe un enfoque generalmente aceptado y se
requiere investigación fundamental para comprender los fenómenos. En todos los casos, se necesitan datos, ya sea
para comprender, desarrollar o validar los modelos. Se discuten ejemplos recientes específicos de investigación en
termodinámica aplicada relevantes para la práctica industrial. Este manuscrito tiene como objetivo no sólo promover
1C
.g30r1.a:s)o9
031.1o0d1a8 ér0
c4 e 0
3
vT:sea
.s2
0 lD
9Ua
7
n
e r2
1(tl
e
d
a

la investigación sino también alentar a profesionales altamente capacitados a participar en la educación, el trabajo de
laboratorio, los desarrollos fundamentales y/o la validación de modelos. Estos profesionales deberían encontrar puestos tanto en el mundo académico como en la
industria, así como con proveedores de software. La colaboración entre el mundo académico, la industria y los proveedores de software es esencial para fomentar
sium
r.e
tnd o o isdtre
.rseg o
catrgla
ea m
un
/n o
p
u
l/ce siarclm
.:so ib
tnaíríg
cn
p ao
otu
pó C
hcsl
o
a
p
hrte

nuevos desarrollos y cumplir los objetivos del desarrollo sostenible y la economía circular.
g
senei/le

1. INTRODUCCIÓN El nuevas necesidades. Estos pueden estar relacionados no sólo con los
tipos de mezclas (en particular, moléculas de origen biológico y
Grupo de Trabajo (WP) sobre Termodinámica y Propiedades de Transporte
electrolitos), sino también con diferentes propiedades que requieren
(TTP) de la Federación Europea de Ingeniería Química (EFCE) ha publicado
herramientas innovadoras y precisas. En particular, las propiedades
recientemente una revisión1 de las necesidades industriales después de haber
bajo confinamiento y en las interfaces o en presencia de campos
encuestado a 37 empresas industriales.
externos, así como los fenómenos de transporte y de desequilibrio
Es una continuación de una revisión publicada una década antes.2 El objetivo
requieren un mayor interés. • Modelado predictivo: Un paso
del artículo reciente1 era resumir, lo más fielmente posible, los comentarios
hechos por la industria. Es un documento largo y detallado que contiene esencial en las aplicaciones industriales de la termodinámica es la selección

numerosas sugerencias, aunque a veces contradictorias. En vista de esto, y parametrización de un modelo apropiado en un simulador de procesos.

algunos revisores de revistas han sugerido que los autores proporcionen Sin embargo, esta elección dista mucho de ser sencilla. La respuesta

opiniones expertas adicionales sobre cuestiones importantes que se planteen. dependerá del alcance de la tarea de simulación, la mezcla disponible,

El presente artículo cumple con esta solicitud resumiendo primero los principales las condiciones de operación y, lo más importante, la disponibilidad de

elementos planteados en la revisión y proponiendo una visión concisa del datos para la validación. Cada una de estas cuestiones debería

estado del arte y de las principales direcciones que creemos que la comunidad investigarse más a fondo, pero parece que la industria prefiere tener un
de termodinámica aplicada debería adoptar en la próxima década. En el análisis, enfoque "predictivo" que funcione con precisión para un gran número

nos hemos basado no sólo en los resultados de la encuesta, sino también en de personas.

varios documentos, incluidos los cinco informes de simposios3­7 sobre el uso

industrial de la termodinámica, que son resultados del grupo de trabajo industrial
del Grupo de Trabajo. Recibido: 30 de mayo de 2022
Revisado: 12 de julio de 2022
Aceptado: 12 de julio de 2022
En la encuesta se plantearon los siguientes temas importantes: • Nuevos Publicado: 20 de septiembre de 2022

campos de aplicación: se abren los desafíos globales relacionados con el

agua, la salud, la energía y la gestión de residuos

© 2022 Los Autores. Publicado por la

Sociedad Química Estadounidense https://doi.org/10.1021/acs.iecr.2c01906
14664 En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
Figura 1. Los 17 Objetivos de Desarrollo Sostenible (ODS) de la ONU.9
gama de condiciones. En la encuesta se analizan varios de
estos enfoques: PSRK­VTPR, SAFT y sus variantes, y COSMO­
RS/SAC son los modelos más citados, y claramente se necesita
la opinión de un experto sobre sus fortalezas y limitaciones.
• Datos: Independientemente de su capacidad predictiva, cualquier
modelo debe ser validado y parametrizado mediante datos. Las
bases de datos existen, pero no existe ninguna estrategia para
explotarlas de una manera que sea beneficiosa para la
comunidad en general. Tal estrategia necesitaría considerar: (1)
evaluar la calidad de los datos existentes, (2) evaluar la
necesidad de nuevos datos y realizar las mediciones pertinentes,
y (3) hacer que los datos estén disponibles en alguna forma
conveniente y estandarizada. Quizás nuevas herramientas que
utilicen inteligencia artificial puedan ayudar
en esta dirección. • Educación y formación: la experiencia necesaria
para desarrollar innovaciones requiere tiempo y expertos. Por
lo tanto, se necesita una formación de calidad, no sólo a nivel
de diploma, sino también a nivel de educación continua. La
industria necesita expertos en termoformación suficientemente
capacitados para mantener su capacidad de adaptarse
rápidamente al contexto cambiante. El ingeniero en ejercicio
necesitará cada vez más tanto el acceso a una experiencia de
alto nivel como la capacidad de adaptarse al vocabulario y los
conceptos de diferentes disciplinas. Existen metodologías de
enseñanza novedosas, pero es necesario evaluar su relevancia,
teniendo en cuenta que algunos fundamentos termodinámicos siguen siendo los mismos.
El presente artículo sigue la estructura anterior.
2. CAMPOS DE APLICACIÓN
El primer tema y probablemente el más importante a discutir es ¿para
qué sirve la termodinámica aplicada? Nuestra sociedad moderna se
enfrenta a multitud de grandes desafíos y creemos que nuestro
conocimiento técnico puede ayudar a resolver muchos de ellos.
En respuesta a los grandes desafíos, las Naciones Unidas definieron
y acordaron 17 Objetivos de Desarrollo Sostenible (o
14665
pubs.acs.org/IECR Artículo
ODS) cuyo objetivo es crear un mundo mejor para 2030, poniendo fin
a la pobreza, combatiendo la desigualdad y abordando la urgencia de
en la Figura 1, entre ellos otros.8 La lista completa de ODS se muestra
el cambio climático. Los ODS y sus cuestiones temáticas relacionadas,
incluidos el agua, la energía, el clima, los océanos, la urbanización, el
transporte, la ciencia y la tecnología.9 Como afirma la Sociedad
Química
Estadounidense (ACS), “la química desempeña un papel esencial
para ayudar a la sociedad a alcanzar los Objetivos de Desarrollo
Sostenible (ODS). La industria química tiene un amplio alcance en la
tecnología, la economía y la salud humana, y ya hay muchas maneras
en que los químicos están trabajando para apoyar el desarrollo
sostenible global”.10
Más específicamente, la AEC identificó siete ODS prioritarios en los
que la química y la tecnología química pueden y deben desempeñar
un papel importante para alcanzarlos. Se enumeran en la Tabla 1.
De estos ODS y los casos de ejemplo ilustrados, se podrían extraer
una serie de desafíos generales en los que la termodinámica aplicada
juega un papel crucial. En nuestro intento, hemos llegado a la siguiente
lista de temas importantes: • Eficiencia energética,
conversión de energía y vectores de energía El desarrollo humano
siempre ha requerido energía.
Sin embargo, desde el comienzo de la revolución industrial, el
consumo de energía per cápita ha aumentado hasta el punto
de poner en peligro el futuro del planeta. Se pueden tomar tres
tipos de acciones para reducir nuestra huella energética
humana: la primera es reducir el uso; el segundo es mejorar el
uso; y el tercero es la búsqueda de recursos alternativos y
sostenibles. Mientras que el primero implica un cambio de estilo
de vida, el segundo y tercer tipo de actuación requerirán
soluciones de ingeniería. El segundo, el mejor uso de los
recursos (es decir, usar menos para obtener el mismo resultado),
es un tema para el cual los conceptos termodinámicos están
extremadamente bien diseñados: define el límite superior de lo
que es factible en términos de entrega de trabajo de varios procesos.
El concepto de exergía, o calidad de la energía, se ha
desarrollado utilizando estos principios.5,11,12 Este concepto es
https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
Tabla 1. Siete ODS prioritarios (identificados por la AEC) cuyo papel
esencial desempeña la química y la ingeniería química para alcanzarlos,
adaptado de Ref10
Ejemplos de química y tecnologías químicas
ODS para cumplir con este ODS.
2 discusión y sigue siendo un desafío: el agua exhibe una serie de
hambre cero • protección contra sequías para cultivos
• recuperación y reutilización de fosfatos
• agentes de protección de cultivos
específicos • envases activos para prevenir
el deterioro
3 buena salud y bienestar de los alimentos • herramientas para
una fabricación
química más ecológica • productos
farmacéuticos (verdes) • mejorar la
biodisponibilidad de productos
farmacéuticos con baja solubilidad en
6 agua potable y agua • mejora ambiental • desalinización asistida
saneamiento
por energía solar procesos •
7 asequible y limpio eliminación de metales pesados • química y almacenamiento de energía
energía
• conversión de energía •
9 Industrias, innovación e química sustentable y verde •
infraestructura.
recubrimientos
verdes • transformación y avance de la ciencia de
la separación
12 consumo y producción responsables • materiales de reciclaje •
materias primas de base biológica
• biocombustibles de segunda
13 acción climática generación • principios de diseño de la
química verde y sostenible
ahora se utiliza en algunos cantones suizos para entregar autorización
para nuevos sistemas o herramientas.13 También se utiliza para
el análisis
del ciclo de vida.14 Uno de los desafíos importantes que se
enfrentan hoy en día en la gestión de la energía es el
almacenamiento de energía. Sin embargo, como tal, la energía
no se puede almacenar; almacenamiento significa, de hecho,
convertir la energía en un producto térmico, mecánico,
electroquímico o químico que pueda recuperarse con la menor
pérdida posible.15 La elección depende de muchos criterios
locales y relacionados con el uso, pero en todos los casos, un
análisis termodinámico es necesarios para identificar las
soluciones factibles. La viabilidad a largo plazo de la economía
del hidrógeno, por ejemplo, debería verse cuestionada por la
gran cantidad de energía necesaria para producir esta molécula
de alto contenido energético. De manera similar, el uso de CO2
como fuente de carbono de baja energía puede ser cuestionado
desde el punto de vista de la
eficiencia energética, como lo demuestra un análisis
termoquímico.16 Entre los sistemas de conversión de energía
más conocidos, cabe mencionar los ciclos de energía térmica
que lo hacen Es posible convertir el calor en trabajo (como en
los ciclos de energía o los motores de combustión interna), el
trabajo en temperaturas más bajas (como en los refrigeradores
o sistemas de enfriamiento) o el calor de baja temperatura en
calor de alta temperatura (como en las bombas de calor), todos
los cuales se basan sobre varios tipos de ciclos termodinámicos.
El diseño óptimo de estos ciclos a menudo depende de la selección de un fluidosólidas. Por adecuado.17
• Agua ¡El
agua es un elemento clave para la vida! Es esencial para la
bebida y la agricultura. En aplicaciones de ingeniería, es un
disolvente esencial en muchos procesos, agente resistente al
calor (vapor), agente decapante, reactivo (desde hidrólisis hasta
pubs.acs.org/IECR Artículo
producción de H2 ) o subproducto (p. ej., reacciones de
condensación). Su salvaguardia es clave para la estabilidad
política en muchos lugares del mundo. La importancia de una
comprensión fundamental de las propiedades del agua es obvia,
pero su comportamiento termodinámico aún está sujeto a
comportamientos termodinámicos anómalos, dos de los más
conocidos son el máximo de densidad alrededor de 4 °C y
encogiéndose al derretirse.18
• Los disolventes como clave para una química verde y sostenible
y una economía
cíclica Si nuestra sociedad quiere preservar sus recursos y
tratar los residuos de forma adecuada, la clave es poder extraer
moléculas específicas de un medio y concentrarlas en otro. Éste
es el papel de los disolventes. Las moléculas de disolvente a
menudo no se pueden eliminar por completo del producto final,
lo que significa que terminan en la aplicación con posible
exposición humana y, finalmente, en el medio ambiente. En el
pasado, se utilizaban a menudo productos de origen
petroquímico, pero la creciente conciencia ambiental crea la
necesidad de utilizar moléculas novedosas que sean de base
biológica, no tóxicas y/o compatibles con el medio ambiente.
También se necesitan disolventes para mejorar los sistemas
reactivos o en dispositivos electroquímicos. Las normativas
europeas son cada vez más severas para la comercialización de
nuevos productos, lo que aumenta la necesidad de conocer las
propiedades de antemano (regulaciones REACH).19
En el pasado reciente se han identificado varios tipos de
nuevos disolventes de este tipo, que van desde líquidos iónicos,
disolventes eutécticos profundos, CO2 supercrítico o sólidos
como zeolitas, estructuras organometálicas, etc. Sin embargo,
muy a menudo, el disolvente más eficaz es el agua. La razón de
su eficacia como disolvente es su bajo peso molecular y baja
volatilidad, así como su capacidad para disolver sales en
especies iónicas. Lamentablemente, esto también puede
provocar efectos no deseados como la corrosión. El agua
(raramente pura) se utiliza para reciclar metales de baterías
usadas, eliminar CO2 de los gases de combustión o como medio
de reacción para tratamientos biológicos, entre muchos otros
usos. Sin embargo, el comportamiento de estas mezclas
complejas de disolventes que contienen sales (mezclas de
electrolitos) a menudo no se conoce bien
y es necesario investigarlo más a fondo. • Salud y nutrición, o biociencias
Las ciencias de la vida entrañan una importante complejidad
termodinámica, ya que combinan la presencia de sistemas
electrolíticos y reactivos altamente concentrados, confinados en
entidades de tamaño micro y, a veces, nano. Además, están
impulsados casi en su totalidad por fenómenos de desequilibrio,
aunque sin entrar en toda su complejidad, la producción de
alimentos o los productos farmacéuticos son dos dominios donde
los fenómenos de equilibrio también son importantes y deben
comprenderse mejor.1 El mayor desafío hoy en día está
relacionado con la complejidad de las moléculas que son
relevantes en estos procesos: proteínas, enzimas, aminoácidos
y productos farmacéuticos, entre otros, deben sintetizarse,
aislarse y administrarse. Pueden presentar diversas fases
de trabajo tanto, es necesario un esfuerzo importante para
comprender el comportamiento de estas moléculas en su
entorno. • Materiales novedosos y complejos Como resultado
del creciente interés por la
renovabilidad y la circularidad, constantemente se desarrollan
y construyen nuevos materiales.
14666 https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
Figura 2. Visión concisa del proceso y los desafíos relacionados con el mismo.
introducidos en procesos, como materias primas, productos
intermedios y productos, o como materiales auxiliares como solventes,
por ejemplo, solventes eutécticos profundos (DES). Estos materiales
pueden ser multifuncionales, especialmente compuestos oxigenados,
y, por lo tanto, son polares y presentan un comportamiento de fase
más complejo que los materiales de origen fósil, que eran el principal
foco de trabajo hasta ahora.
Muchas aplicaciones industriales implican sistemas multifásicos,
como emulsiones y dispersiones. A menudo, estos sistemas se
encuentran en un estado metaestable. A pesar de un conocimiento
considerable, todavía existen lagunas en la comprensión fundamental
adecuada de su comportamiento fenomenológico. Se prevé que una
mejor comprensión impulsará la innovación hacia un mayor desarrollo
de materiales sostenibles.
El diseño estructurado de productos es clave para mejorar el
desarrollo de estos materiales novedosos y/o complejos.
A veces se menciona el diseño de productos como el tercer paradigma
en ingeniería química, pero en la práctica aún queda mucho camino
por recorrer antes de que esté lo suficientemente maduro para una
aplicación generalizada.20
En el diseño de procesos, calculamos las propiedades físicas y
químicas relevantes de diferentes corrientes a partir de una
composición dada. En el diseño de productos se hace lo contrario, y
se calculan compuestos y composiciones que aporten una determinada
funcionalidad. Los grandes desafíos en el diseño de productos están
relacionados con este cálculo inverso, así como con cómo definir la
funcionalidad deseada en términos cuantitativos; por lo tanto, un
aspecto clave es la traducción de la funcionalidad del producto a las
propiedades objetivo.21 Para tener éxito, esto requerirá un cambio
cultural en la forma en que se realiza el diseño del producto en la
práctica.20 • Recuperación avanzada de
materiales y tecnología de precisión. Se busca una mayor eficiencia
para separar y purificar los productos deseados, dentro de las
limitaciones de reducir los costos de fabricación, disminuir el uso de
energía y mantener una pequeña huella ambiental. La recuperación
del producto debe lograrse para una amplia gama de sistemas, desde
sistemas bioquímicos, recuperación mejorada de petróleo y minería
hasta recuperación estándar a partir de mezclas de reacciones
químicas.
La concentración a partir de la cual es necesario recuperar el producto
puede variar considerablemente. Puede ser alto como en las mezclas
de reacción química, pero también bajo como en los caldos de
fermentación.
Siguiendo el enfoque de múltiples capas desde una perspectiva de
ingeniería química, como lo ofrecen Gani et al.22, el proceso
14667
pubs.acs.org/IECR Artículo
está en el centro de las actividades y comprende esencialmente el
pretratamiento y la transformación del material y su posterior separación23
en los productos deseados. Sin embargo, desde este punto de vista, un
proceso también puede ser una unidad de conversión de energía. En
resumen, el proceso y sus desafíos se pueden describir como se muestra en la Figura 2.
La Figura 2 ilustra los desafíos desde una perspectiva de ingeniería
química. Muestra los cambios clave que deberán realizarse en el futuro para
crecer hacia una industria más sostenible:
• Los recursos cambian. En el pasado, utilizábamos muy a menudo
material fósil, mientras que cada vez más se utilizarán como insumos
recursos o residuos no fósiles. •
Los productos cambian. Los productos eran a menudo productos químicos
a granel, pero existe una creciente necesidad de orientar el producto
a necesidades muy específicas de los consumidores que pueden
incluir materiales complejos, basados en nanoencapsulaciones u
otros productos “inteligentes” multifásicos organizados. Se debe
prestar cada vez más atención al servicio final que se va a prestar
más que a un producto material. • Los residuos pueden
provenir del propio proceso, pero también cuando el producto deseado
llega al final de su vida útil. Puede ser sólida, líquida, gaseosa o
incluso calor (energía) y debe gestionarse de forma inteligente, es
decir, reciclándola o integrándola en un nuevo proceso.
La primera acción en este sentido es mejorar la eficiencia del proceso,
de modo que se generen menos residuos. Se utilizarán cada vez más
el análisis de exergía y las evaluaciones del ciclo de vida. •
Finalmente, la seguridad del proceso seguirá siendo en todos los casos
un factor clave, por lo que será necesario analizar y evitar todos los
posibles accidentes. Se necesita un conocimiento preciso de la
toxicidad, la inflamabilidad, la explosividad, los calores de las
reacciones y otras propiedades necesarias para garantizar la seguridad del proceso.
Aunque la visión concisa presentada aquí se basa en el punto de vista del
proceso químico, se puede extender a otras empresas, como procesos
mineros, dispositivos médicos o incluso a todo el ecosistema que no es más
que un proceso muy complejo.
El desarrollo de respuestas adecuadas a los grandes desafíos pasa
generalmente por el uso de herramientas de software que contienen modelos
y son capaces de simular el comportamiento de la complejidad de la
naturaleza. Estas herramientas contienen modelos físicos que se calibran
con datos medidos. Es por eso que las siguientes dos secciones se centrarán
en estas contribuciones esenciales al uso de la termodinámica en ingeniería.
Sin embargo, las herramientas de software son utilizadas por personas y, al
final, son ellas las responsables de elegir las herramientas adecuadas,
proporcionar insumos relevantes,
https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
e interpretar los resultados numéricos. Además, incluso antes de utilizar
las herramientas de software, las personas con conocimientos adecuados
de termodinámica y propiedades físicas pueden ahorrar sustancialmente
tiempo y gastos en el proceso y diseño del producto dirigiendo los
esfuerzos hacia las ideas más prometedoras. Es por ello que en el último
apartado de este trabajo se discutirá la necesidad de formación y de
inversión en recursos humanos.
En conclusión, la termodinámica aplicada puede y debe desempeñar
un papel importante a la hora de abordar los grandes desafíos. Como la
termodinámica es la ciencia de la interacción entre la energía y la materia,
está muy bien posicionada para ayudarnos a alcanzar los ODS para llegar
a un mundo mejor. Está en el corazón de la visión del proceso de múltiples
capas que se muestra arriba, donde su función es comprender y ayudar
en el diseño y optimización de procesos y productos cada vez más
complejos.
3. MODELOS Y SIMULACIÓN
Todas las aplicaciones discutidas hasta ahora requieren en algún momento,
ya sea el cálculo de propiedades fisicoquímicas, con una entrada que
generalmente es la condición de operación y la composición del fluido (en
el caso del diseño de procesos), o una propiedad objetivo con el objetivo
de identificar la compuesto o mezcla que mejor cumpla los requisitos (en
el caso del diseño del producto). Para ello se necesitan modelos. Aunque
existe una tendencia cada vez mayor a utilizar el aprendizaje automático
(ML) y los enfoques quimioinformáticos para predecir las propiedades de
los compuestos, no creemos que reemplacen los modelos físicamente
fundamentados que son el legado de más de un siglo de investigación.24
Sin embargo, me gustaría subrayar el importante esfuerzo que aún queda
por hacer para mejorar la predictibilidad de los modelos: los datos, como
se verá más adelante, son muy costosos de generar y, por lo tanto, a
menudo no están disponibles para ajustar los modelos. En particular, no
se pueden desarrollar herramientas de diseño de productos25 a menos
que se sigan mejorando dichos modelos predictivos.
A continuación discutiremos los llamados modelos macroscópicos, que
se encuentran en la mayoría de los simuladores de procesos, así como
las herramientas microscópicas que ahora están disponibles a través de
la simulación molecular. Los modelos macroscópicos de propiedades de
transporte se presentan por separado, ya que tratan de propiedades de no
equilibrio.
3.1. Modelos termodinámicos macroscópicos para propiedades de
equilibrio (ecuaciones de estado (EoS) y otros modelos). La propiedad
que es más difícil de describir con precisión es el potencial químico que
impulsa el equilibrio de fases: permite calcular cómo se dividen los
compuestos entre las distintas fases, que pueden ser sólidas, líquidas o
gaseosas. El equilibrio entre fases sólidas es un tema que se investiga
extensamente para los procesos metalúrgicos. Los equilibrios sólido­fluido,
que se encuentran en los procesos químicos, a menudo consideran sólidos
puros, lo que lleva a un modelo de propiedades muy simplificado,26 que
utiliza el punto de fusión y las propiedades de cambio de fase como datos
de entrada. En el caso de soluciones sólidas, los modelos de coeficientes
de actividad se utilizan a menudo para representar posibles no idealidades.
A continuación, nos centraremos en fases fluidas que generalmente son
mucho más complejas de describir.
La expectativa de la comunidad de usuarios es tener acceso a
herramientas que proporcionen resultados numéricos correctos “automáticamente”.
Esto se llama "totalmente predictivo". Desgraciadamente, hoy en día no
existe una herramienta tan infalible como "pulsar un botón". Lo mejor que
se ofrece son documentos que ayudan al ingeniero a seleccionar el modelo
más apropiado.27­31 Sin embargo, la elección muy a menudo se limita a
la disponibilidad del modelo en los simuladores de procesos.
pubs.acs.org/IECR Artículo
incluyendo una extensa parametrización y documentación.4 Desde esta
perspectiva, se debe alentar fuertemente a los desarrolladores académicos
a apuntar hacia un desarrollo estandarizado: eviten desarrollar modelos
de casos específicos, pero prefieran usar los existentes y construir sobre
conjuntos de parámetros aceptados.
Sin embargo, como comunidad de expertos, destacamos firmemente el
hecho de que las herramientas "automáticas" nunca eliminarán la
necesidad de que una persona capacitada planifique los escenarios de
simulación e interprete el resultado. Pueden ocurrir fenómenos no intuitivos,
con la consecuencia de pérdida de tiempo, dinero y, a veces, la creación
de problemas de seguridad. A continuación, analizamos muy brevemente
las limitaciones de los modelos existentes e identificamos los desarrollos
más importantes que creemos que se necesitan en el futuro cercano a la
luz del estudio industrial.1
3.1a. Poder de predicción. Al principio hay que tener cuidado con la
palabra "predictivo". Los modelos que aquí se estudian son ecuaciones
matemáticas con parámetros ajustados a datos experimentales. La
predictibilidad puede apuntar a la extrapolación a otras condiciones del
proceso, composición de la mezcla o propiedades o a otros compuestos o
similares mediante métodos de contribución grupal (GC) y esquemas
relacionados. Una cualidad clave de los modelos EoS es poder describir
muchas propiedades de manera consistente, lo que es menos cierto para
los modelos de coeficientes de actividad, y menos aún para los enfoques
correlativos basados en ML. Por eso la forma de la ecuación es crítica. Sin
embargo, cuando la calidad de las extrapolaciones de temperatura no es
adecuada, a menudo sucede que se utilizan parámetros dependientes de
la temperatura, lo que permite describir casi cualquier función de
temperatura: este es típicamente el caso de las funciones de parámetros
de energía e interacción en EoS cúbicos. . Le Guennec et al.32 han
discutido las limitaciones en este tipo de formulaciones de temperatura.
Para los procesadores de gas o especialistas en fluidos de trabajo, que
tienen acceso a una gran base de datos experimental, Span y sus colegas
han desarrollado modelos de alta precisión33 basados en el EoS Benedict­
Webb­Rubin (MBWR) modificado con 64 parámetros.34 El consorcio
GERG (European Gas Research Group) utiliza ampliamente estos
modelos35 que también han inspirado la base de datos NIST RefProp en
aplicaciones de gas o fluidos de trabajo.37 Estos EoS pueden clasificarse
como predictivos por su capacidad de cubrir todas las propiedades de
forma consistente, aunque sus numerosos parámetros ajustables han sido
entrenado mediante una gran cantidad de datos. Son ampliamente
utilizados y recientemente se han extendido a mezclas simples.36 Sin
embargo, cabe señalar que se han presentado muy pocos estudios para
evaluar el poder predictivo de otros tipos de EoS (cúbicos o de orden
superior) para propiedades térmicas y derivadas. en comparación con el
comportamiento de equilibrio de fases; por tanto, las capacidades de
muchos modelos no se conocen bien. Sin duda, ésta es un área en la que
debemos centrarnos en el futuro.
Sin embargo, a menudo se hace referencia a la predictividad como la
capacidad de describir una mezcla de fluidos sin datos experimentales.
Esto puede ser necesario cuando se necesitan evaluaciones de viabilidad
del concepto de proceso en un corto plazo para la resolución de problemas
o para el diseño del producto. Luego, los parámetros del modelo deben
calcularse a partir de descriptores moleculares de alguna manera. El tipo
más común de descriptores se refiere a los grupos moleculares. El primer
modelo industrial de GC fue propuesto por Fredenslund con el modelo de
coeficiente de actividad de UNIFAC.38 Utilizando reglas de mezcla del
tipo Huron­Vidal,39 el modelo ahora se comercializa a través de un EoS
con el nombre de PSRK40 y, más recientemente, VTPR.41 Los modelos
de GC ahora están ampliamente desarrollados. , tanto con EoS cúbico
(PPR78)42,43 como dentro del marco SAFT.44­47 Quedan muchos vacíos
por llenar en las tablas de parámetros para los métodos de GC, tanto los
modelos de coeficientes de actividad (UNIFAC) como los EoS (por ejemplo,
14668 https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
VTPR), y por supuesto también para teorías de asociación cuando se
utilizan esquemas de GC. Tales brechas, así como la incertidumbre
relacionada con los grupos multifuncionales y los efectos de los grupos
vecinos, limitan el uso de estos modelos para aplicaciones predictivas,
incluida su implementación en métodos de diseño asistido por computadora.
Cabe señalar que NIST proporciona, a través de su 'Thermo Data Engine'
(TDE), un método novedoso para ampliar la tabla de parámetros de
UNIFAC.48,49 Alternativamente, se pueden utilizar otros descriptores.
Dentro del marco SAFT, existen varios intentos innovadores con el uso de
descriptores ab initio , a través de enfoques de tipo red neuronal.50 Los
modelos COSMO51 utilizan como descriptores los llamados perfiles sigma
que también se originan a partir de cálculos ab initio . Se están investigando
seriamente enfoques alternativos basados en inteligencia artificial. Este
tema se analiza con más detalle más adelante en la sección sobre datos
experimentales.
En la práctica, sin embargo, puede considerarse conveniente tener
acceso a parámetros ajustables siempre que haya datos disponibles
porque hoy en día no existe ningún modelo que pueda combinar
predictividad y precisión para una gama muy amplia de sistemas y
condiciones. 3.1b. Sobre el
rango de aplicación de las ecuaciones más conocidas. En lo que
respecta a los modelos termodinámicos predictivos “clásicos”, existen
muchas similitudes en las afirmaciones hechas por la industria en las dos
encuestas que realizó el EFCE WP1,2, a pesar de que tienen 10 años de
diferencia.
Además, no han aparecido nuevas tendencias reales de modelado desde
la primera encuesta.2 La EoS cúbica también con reglas de mezcla
avanzadas (PSRK y VTPR), UNIFAC, modelos de asociación (como SAFT
y CPA) y el enfoque COSMO­RS parecen estar entre los métodos más
utilizados, especialmente en las industrias petroquímica/química. Los
modelos de composición local como NRTL y UNIQUAC también son útiles
como herramientas para sistemas multicomponentes una vez que los
parámetros binarios están disponibles.
Todos estos modelos todavía son muy utilizados por la industria y existe
un claro entendimiento de que tener un único modelo predictivo para todas
las aplicaciones probablemente sea una tarea imposible.
Muchas empresas todavía tienen puntos de vista tradicionales sobre la
elección del modelo, siendo la primera categoría de los modelos antes
mencionados (EoS cúbico, modelos de coeficientes de actividad de
composición local) mucho más utilizada que los últimos (EoS de asociación
y COSMO­RS), incluso si los últimos los que se están volviendo más populares.
En este contexto, vale la pena señalar que estos últimos métodos ofrecen
mejores perspectivas para materiales multifuncionales y complejos, como
los materiales de base biológica y “inteligentes”, y por lo tanto pueden
atraer una mayor atención en el futuro. Incluso entre los “sectores más
tradicionales” (petróleo, gas y productos químicos), los modelos de
asociación necesitan mucho más desarrollo para que sean de uso más
amplio: mejores esquemas de caracterización para los componentes del
petróleo, mejoras en la eficiencia computacional y esquemas predictivos
para estimar el SAFT. Los parámetros, especialmente para productos
químicos complejos, son algunos de los ejemplos de las mejoras necesarias.
Un área en la que vemos muchas promesas en el futuro y donde se pueden
producir posibles avances está relacionada con la parametrización SAFT a
partir de cálculos ab initio de mecánica cuántica. Esto podría reducir
significativamente la dependencia de los datos experimentales.52 Además,
hay demasiadas variantes de SAFT (a diferencia de UNIFAC, donde hasta
ahora una versión –Dortmund– se ha vuelto dominante53).
La industria está confundida y las nuevas herramientas54 que permiten
comparaciones abiertas de los modelos SAFT pueden ayudar en el futuro
a aclarar este panorama bastante confuso.
14669
pubs.acs.org/IECR Artículo
El uso de la “base de datos estándar” por Jaubert y colaboradores55
también puede ser útil para proporcionar una comparación justa de modelos
al menos para sistemas VLE binarios. Por supuesto, se debe esperar el
éxito real de los enfoques de tipo SAFT frente a EoS cúbico y UNIFAC
para el comportamiento multicomponente y multifase de sistemas complejos
(por ejemplo, VLLE, aplicaciones CCS, propiedades más allá del
comportamiento de fase, etc.), pero aún es necesario demostrarlo. Un área
donde esencialmente todos los enfoques SAFT sufren es la representación
del punto crítico, incluso en comparación con la EoS cúbica clásica.56 En
muchas aplicaciones prácticas, por ejemplo, para uso en aplicaciones
petroleras, los modelos termodinámicos deberían ofrecer resultados
precisos y confiables incluso muy cerca del punto crítico. punto crítico. Así,
un aspecto crucial para los modelos tipo SAFT es el desempeño en el
punto crítico además de poder caracterizar el petróleo y el gas para facilitar
su posterior uso en simulaciones de procesos.
3.1c. Necesidad de mayores desarrollos. Si bien todo lo anterior indica
áreas donde se necesitan desarrollos futuros hacia mejores modelos
predictivos, hay tres campos que requieren especial atención: electrolitos,
polímeros y sistemas que contienen compuestos multifuncionales complejos.
En cuanto a las soluciones electrolíticas, hemos observado1 que muchas
empresas son usuarias del modelo e­NRTL, y muchas solicitudes estaban
relacionadas con este modelo (más parámetros para sistemas importantes,
incluidos los radiactivos, mejor educación sobre el uso de este modelo,
etc.). Los desafíos aparecen con un alto contenido de sal, con disolventes
mezclados (con posible desmezcla líquido­líquido) o a altas temperaturas,
normalmente donde hay pocos datos.
existir.
Por lo tanto, fomentamos el desarrollo de modelos de electrolitos
predictivos, posiblemente basados en GC. Creemos que el área de
investigación muy activa de desarrollo de ecuaciones de estado de
electrolitos debe continuar, ya que puede conducir a modelos más
predictivos y de aplicación general para soluciones de electrolitos. Antes
de llegar a las últimas versiones exitosas de electrolitos de los modelos
EoS, existe una amplia gama de opciones prácticas y
Cuestiones fundamentales que es necesario superar. Algunos de estos
Los temas incluyen la identificación de las teorías más apropiadas para las
interacciones ion­ion e ion­solvente,57 determinación o clarificación del
equilibrio apropiado para términos electrostáticos y físicos, papel e
importancia de la permitividad relativa del solvente, marcos para estados
estándar de sólidos y para solventes mixtos. Recientemente aparecieron
datos sobre el papel de los coeficientes de actividad iónica individuales,
sólo por mencionar algunos, y todos ellos a niveles de concentración muy
diferentes.
Es importante mencionar que para tales soluciones de electrolitos, el
objetivo final es describir diferentes tipos de equilibrios de fases utilizando
un único conjunto de parámetros de interacción binaria, es decir, predicción
combinada de equilibrios de fases y químicos y predicción en ausencia de
datos experimentales, diferentes Formas hidratadas de sales orgánicas,
cristalización de electrolitos, sales mixtas y soluciones de disolventes
mixtos en condiciones concentradas, corrosión debida a electrolitos en
bioprocesos, polielectrolitos, etc. En definitiva, ¡una tarea muy exigente!
Especialmente relevantes son los modelos verdaderamente predictivos
para electrolitos con requisitos limitados de parámetros ajustables. A
menudo se requieren regresiones de datos en amplios rangos de
temperatura y presión y en altas concentraciones, incluido el comportamiento
de especiación, que puede tener un gran impacto en el comportamiento
del sistema. A veces, los rangos de interés no son fácilmente accesibles
experimentalmente y algunos de los datos requeridos quedan fuera del
área tradicional de medición de propiedades termofísicas. Identificar el
mejor enfoque para parametrizar
https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
Los modelos de electrolitos para aplicaciones generales se consideran una
tarea difícil en la que también deberían centrarse futuras investigaciones.7
Los polímeros y sus soluciones desempeñan un papel importante en la
industria por su uso generalizado en envases y procesos de ingeniería
química como la separación por membranas.
Si bien las propiedades de las mezclas poliméricas en estado líquido y
gomoso se pueden representar bastante bien con modelos de coeficientes
de actividad desarrollados para soluciones macromoleculares como el
UNIFAC corregido por volumen libre,58 la ecuación de Flory­Huggins,59 o
modelos EoS como el fluido reticular60 o las teorías SAFT, la situación se
vuelve más complicada cuando se trata de un sistema vítreo o semicristalino.
En ambos casos, la densidad del polímero no se puede predecir a priori ya
que el sistema está congelado en una condición de no equilibrio o
restringida, y los modelos desarrollados para soluciones líquidas o gomosas
que se suponen amorfas y en equilibrio termodinámico fallan. Es necesario
establecer protocolos apropiados que tengan en cuenta la condición de no
equilibrio o la fracción cristalina. Se descubrió que la densidad del sistema
vítreo es un parámetro de orden simple y efectivo para describir la solubilidad
del fluido polímero mediante el enfoque de termodinámica de no equilibrio
para polímeros vítreos (NET­GP)61 que ahora es una herramienta bien
establecida debido a su flexibilidad. , lo que lo convierte en una extensión
adecuada del dominio vítreo de la mayoría de los modelos EoS de equilibrio
(NE­LF y NE­SAFT). Para los polímeros semicristalinos, se hicieron varios
intentos para describir el efecto de los dominios cristalinos en las
propiedades de la solución polimérica, es decir, introduciendo una presión
restrictiva adicional.62 Ninguna teoría parece predominante todavía, y
todavía hay una necesidad de desarrollo, especialmente considerando que
la mayoría de los polímeros básicos, como el polietileno y el polipropileno,
son semicristalinos, así como muchos nuevos materiales biodegradables
como el ácido poliláctico (PLA) y los polihidroxialcanoatos (PHA). La
disponibilidad de parámetros EoS para varios sistemas poliméricos sigue
siendo un problema, que podría resolverse utilizando métodos de
contribución de grupo, 63,64 ML o simulación molecular. Recientemente se
han propuesto métodos basados en datos para diseñar polímeros con
propiedades específicas.65 Finalmente, existen varias aplicaciones que
contienen moléculas multifuncionales complejas, que podrían beneficiarse
de modelos termodinámicos confiables, pero el
consenso es que, debido a la complejidad de las moléculas involucradas,
también como condiciones asociadas (polimorfismo, precipitación,
cristalización, etc.), esencialmente, no existen modelos predictivos exitosos
para las necesidades de la industria con productos complejos (por ejemplo,
que comprenden materiales tensioactivos), como productos farmacéuticos,
biotecnológicos para el cuidado personal y del hogar, agroquímicos. y
minería. A lo largo de estos 10 años, hemos observado un creciente interés
por parte de la industria farmacéutica y biotecnológica en los modelos
termodinámicos, como muestra la comparación de los resultados de las dos
encuestas1,2.
Se ha señalado en las encuestas1,2 que las versiones UNIFAC y GC de
SAFT no pueden manejar con éxito ni siquiera una pequeña cantidad de
moléculas (ingredientes activos) de relevancia para la industria con productos
complejos. Las moléculas más complejas, como péptidos, proteínas,
enzimas, etc., pueden suponer un desafío aún mayor. Estos sistemas suelen
ser mezclas de múltiples componentes (que incluyen agua, disolventes
orgánicos, sólidos disueltos, gases disueltos, especies iónicas y
macromoléculas), y esto aumenta la complejidad que debe implementarse
en modelos exitosos. Hoy en día carecemos de modelos predictivos que
puedan cubrir una gama tan amplia de condiciones y sistemas que contengan
moléculas complejas, y esta es un área muy desafiante en la que deben
centrarse las investigaciones futuras.
14670
pubs.acs.org/IECR Artículo
3.2. Propiedades de transporte. Ambos estudios industriales realizados
por el Grupo de Trabajo1,2 han indicado que todavía faltan modelos
predictivos de propiedades de transporte en comparación con los modelos
termodinámicos. Esto es ciertamente cierto en general, pero hay regiones
del espacio de fases y sistemas particulares donde los modelos de
propiedades de transporte no sólo están disponibles sino que también son
precisos y confiables. Por ejemplo, para gases a baja presión en un límite
de gas diluido, podemos calcular las propiedades de transporte (viscosidad
de corte, conductividad térmica y coeficientes de difusión propia y binaria)
con una precisión acorde con los mejores datos experimentales. Dichos
cálculos se han llevado a cabo para varias moléculas simples y sus mezclas
binarias, mediante la combinación de la teoría cinética de gases poliatómicos,
el método de trayectoria clásica y el potencial intermolecular ab initio.66,67
Por lo tanto, para varias mezclas de importancia industrial Al igual que el
gas natural, incluido el gas natural agrio y rico en CO2, se pueden calcular
propiedades de transporte precisas y fiables. La técnica desarrollada para
calcular las propiedades de transporte en el estado de gas diluido tiene una
ventaja adicional, debido a su precisión, que permite la creación de datos
pseudoexperimentales para complementar los disponibles y/o permite
discriminar entre datos experimentales inconsistentes medidos en diferentes
laboratorios. Por lo tanto, tenemos medios para abordar la necesidad de
datos a temperaturas muy bajas y altas, donde las mediciones precisas son
escasas y para gases tóxicos, altamente corrosivos o explosivos que no
pueden manejarse fácilmente.
Otra área donde se dispone de datos sobre las propiedades del transporte
es la de varios fluidos puros de interés industrial.68 Este trabajo se está
llevando a cabo bajo los auspicios de la Unión Internacional de Química
Pura y Aplicada (IUPAC). El punto de partida es hacer uso de los mejores
datos experimentales disponibles, seleccionados en base a un análisis
crítico de los métodos de medición. Esta información se complementa con
orientación disponible desde la teoría para producir correlaciones precisas,
consistentes y teóricamente sólidas de la viscosidad y conductividad térmica
de fluidos industrialmente importantes en el rango más amplio de temperatura
y presión posible. Las correlaciones disponibles de viscosidad y conductividad
térmica son representaciones recomendadas por la IUPAC análogas a las
especies puras EoS de NIST/IUPAC/GERG.36 El desarrollo de modelos
genéricos para la predicción de propiedades de transporte en todo el rango
de temperaturas,
presiones y composiciones de interés para La industria se ve obstaculizada
por la falta de una teoría molecular rigurosa y completa para los fluidos
densos. Por lo tanto, no es posible evaluar las propiedades de transporte
basándose en una descripción molecular teórica partiendo directamente del
potencial intermolecular. En consecuencia, hay que confiar en diferentes
enfoques aproximados o en simulaciones de dinámica molecular (consulte
la siguiente sección). Los primeros desarrollos adolecen de una falta de rigor
que invariablemente se traduce en una mayor incertidumbre en la predicción
de las propiedades de transporte, mientras que el segundo está actualmente
limitado por el uso de potenciales intermoleculares simples que requieren
ajustar los parámetros de escala. Sin embargo, ambos enfoques han
mostrado marcadas mejoras en los últimos años, como se describe en
Advances in Transport Properties, que resume el estado del campo.66 Los
enfoques aproximados se pueden dividir en términos generales en tres
grupos, dependiendo del punto de partida teórico utilizado en el desarrollo.
el modelo; modelos basados en la teoría cinética, modelos basados en
estados
correspondientes y modelos que explotan vínculos con la
termodinámica.66,69­74 Aunque conceptualmente
https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
Figura 3. Mayor potencia de supercomputadora en FLOPS de 1993 a 2021. En el recuadro, se muestra una comparación de la potencia de computación
entre la supercomputadora Cray 2 y el Apple iPhone 4. Tomado de: https://ourworldindata.org/technological­progress.
diferentes, todos estos modelos requieren datos experimentales para
determinar el número de parámetros efectivos del modelo.
Además, la mayoría de los métodos disponibles requieren reglas de
mezcla, que invariablemente se basan en el promedio de las características
del fluido puro sin recurrir a parámetros de interacción. Hasta ahora, la
mayoría de los modelos se han utilizado para mezclas de interés para la
industria del petróleo y el gas y la petroquímica.
No se ha realizado ninguna comparación exhaustiva entre diferentes
modelos, ni siquiera para sistemas de hidrocarburos. En cambio, cada
desarrollador de modelos realizó una validación limitada de su propio
modelo comparándolo, en la mayoría de los casos, con datos
experimentales seleccionados. Todos los modelos validados en este
desfile buena concordancia. En general, el poder predictivo de los
modelos actualmente disponibles depende del fluido, a menos que los
parámetros efectivos, a veces expresados como una función del estado
termodinámico, también estén vinculados a las propiedades moleculares mediante una correlación adicional.
La falta de datos experimentales y de financiación ha impedido el uso de
tales modelos en términos más generales. Por lo tanto, tenemos una
situación paradójica: aunque se realizaron importantes esfuerzos de
investigación, tanto financieros como de tiempo, para desarrollar una gran
cantidad de modelos, las predicciones resultantes de las propiedades de
transporte no son confiables para algunas mezclas. Esto incluye mezclas
incluso de moléculas simples que pertenecen a familias químicas muy
diferentes, mezclas asimétricas (por ejemplo, metano­n­decano o dióxido
de carbono­n­decano), mezclas a alta presión, mezclas en las que existen
fuertes enlaces de hidrógeno, incluidas mezclas acuosas. o mezclas que
contienen moléculas muy grandes que están mal definidas como especies
puras. Además, la mayoría de los esfuerzos se han centrado en describir
las propiedades de los fluidos que muestran un comportamiento reológico
newtoniano. Por ejemplo, los modelos para predecir la viscosidad de
fluidos no newtonianos son escasos, al igual que los métodos que indican
qué tipo de reología se puede esperar.
Vale la pena señalar que el reciente Desafío de Simulación de
Propiedades de Fluidos Industriales,75,76 diseñado para comparar
diferentes modelos de simulación molecular en su capacidad para predecir
la dependencia de la temperatura y la presión de la viscosidad de
moléculas complejas, es un paso positivo para abordar las capacidades
predictivas de Algunos de los modelos actuales.
pubs.acs.org/IECR Artículo
Hay abundantes ejemplos anecdóticos de que, incluso si un modelo
particular funciona para un conjunto específico de mezclas, no hay
garantía de que pueda usarse para mezclas de especies que pertenecen
a otra familia química.66 Esto es especialmente cierto en el caso de la
viscosidad, que cambia significativamente. cuando el fluido está cerca de
la línea de solidificación o cuando un proceso bajo consideración conduce
a un cambio preferencial en la composición de moléculas pequeñas o
grandes. Sin embargo, también hay historias de éxito en las que se utilizó
un modelo desarrollado originalmente para hidrocarburos para predecir
con éxito la viscosidad de disolventes eutécticos profundos (DES).77 Sin
embargo, esto dependía de tener datos confiables de viscosidad sobre
los componentes puros que componen la mezcla.
En general, los modelos disponibles actualmente tienen la base adecuada
para usarse en la predicción de las propiedades de transporte de al
menos fluidos no electrolíticos y newtonianos. Sin embargo, es poco
probable que cualquiera de los modelos actuales pueda convertirse en
una herramienta genérica para predecir las propiedades del transporte
sin recurrir a buenos datos experimentales tanto para ajustar los
parámetros como para fines de validación.
Hay varias vías que podrían resultar fructíferas para futuras
investigaciones. El desarrollo de enfoques de contribución grupal tendría
potencial para promover algunas de las herramientas de modelado
actuales al ámbito más predictivo, en particular modelos basados en
estados correspondientes o representación de esfera dura. Los vínculos
con SAFT­EoS que actualmente exploran algunos grupos de investigación
pueden impulsar un enfoque más unificado.
Los modelos basados en la entropía residual son un ejemplo de ello.78
Se deberían buscar más enfoques teóricos o incluso semiteóricos,
capaces de sustentar un modelo práctico, por ejemplo sobre cómo incluir
los enlaces de hidrógeno dentro del marco de las propiedades de
transporte. Esto abriría el camino a un análisis más predictivo para una
gran cantidad de mezclas. También son bienvenidas más investigaciones
en el desarrollo de modelos que utilicen características efectivas, como
sustitutos de una composición fluida completa, para describir una mezcla
particular. Para muchos fluidos de interés industrial que pueden contener
una gran cantidad de componentes, especies isoméricas o especies
grandes mal definidas, perder la formulación composicional completa es
el único camino a seguir.
3.3. Simulación molecular y su uso. La simulación molecular se refiere
al modelado matemático de la materia (sólida,
14671 https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
líquido o vapor, ya sea componentes puros o mezclas) a nivel molecular
teniendo en cuenta las interacciones intermoleculares e intramoleculares
utilizando funciones potenciales apropiadas conocidas como campos de
fuerza. El método se desarrolló originalmente en la década de 1950 y
durante varias décadas estuvo restringido a sistemas relativamente
simples debido a las grandes necesidades computacionales. El tremendo
aumento continuo de la potencia informática a precios asequibles nos
permite hoy realizar grandes cálculos a diferentes escalas (en dimensiones
temporales y espaciales) y comprender con precisión fenómenos complejos
en la naturaleza o en el laboratorio. La simulación molecular ha
evolucionado hasta convertirse en una poderosa herramienta de ingeniería,
gracias también a la aparición de empresas de nueva creación que
desarrollan y respaldan métodos, códigos y bases de datos para la
simulación de sistemas complejos de interés industrial. Varias de estas
iniciativas empresariales tienen su origen en grupos de investigación
académicos.
El desarrollo de nuevas arquitecturas informáticas continúa respaldando
el aumento de la potencia informática a un precio razonable. En la Figura
3, se muestra la capacidad de las supercomputadoras más grandes en
términos de FLOPS desde 1993 hasta 2020. La ley de Moore sigue siendo
válida sin ningún signo de desaceleración. Con el aumento de la potencia
informática, se espera que en el futuro los científicos e ingenieros puedan
simular sistemas más desafiantes, en términos de complejidad
intermolecular e intramolecular y con tiempos de simulación más largos,
con efectos profundos para el diseño de procesos y procesos más
avanzados. materiales.
La potencia informática disponible se utiliza hoy en día de muchas
maneras
diferentes. 3.3a. Mejora del desarrollo de herramientas 'predictivas'.
Cuando se trata de la industria de procesos químicos, se utilizan métodos
computacionales jerárquicos multiescala para diseñar y modelar con
precisión procesos químicos y nuevos materiales. Un ejemplo muy exitoso
se refiere al uso de la simulación de dinámica molecular para predecir con
precisión la difusividad de los reactivos y productos en los nanoporos
catalíticos en las condiciones reales de temperatura y presión del proceso
de conversión de gas a líquido (GTL).79 GTL es un proceso industrial
donde el gas de síntesis (gas de síntesis, H2 y CO) se convierte en
fracciones de hidrocarburos líquidos, a saber, parafinas (desde n­hexano
hasta ceras), olefinas y, en menor medida, oxigenados (por ejemplo,
alcoholes). Se utilizaron predicciones de simulación molecular para
parametrizar un modelo empírico utilizado para la optimización del proceso
GTL en un importante sitio industrial en Qatar.
En la Figura 4, se muestra esquemáticamente la interconectividad de
los métodos utilizados por los ingenieros químicos. Los cálculos de la
mecánica cuántica subatómica permiten el desarrollo de campos de fuerza
molecular precisos para describir interacciones intra e intermoleculares de
sistemas químicos complejos, incluidas mezclas acuosas, sistemas
macromoleculares, moléculas biológicas, sistemas nanoconfinados, etc.
Estos campos de fuerza se utilizan en simulaciones moleculares, como
como dinámica molecular, simulaciones de Monte Carlo, dinámica
browniana, etc., con el fin de predecir propiedades físicas de sistemas
químicos complejos. Estas predicciones son muy precisas al reproducir el
sistema real.80 3.3b. Acompañamiento y Complementación del Trabajo
Experimental. Los resultados de la simulación molecular siempre se
comparan con los datos experimentales existentes como forma de
validación. Sin embargo, hoy en día también se utiliza para guiar el trabajo
experimental sobre nuevas moléculas o sistemas químicos y condiciones
de temperatura y presión previamente inexploradas. Un ejemplo se refiere
a la medición de propiedades termofísicas de mezclas de fluidos
relacionadas con el proceso GTL que fueron predichas originalmente por
14672
pubs.acs.org/IECR Artículo
Figura 4. El diseño y modelado jerárquico de procesos multiescala abarca
todo el espectro de escalas de longitud y tiempo.
simulación molecular.81 Los datos de dispersión dinámica de la luz
terminaron coincidiendo excelentemente con tales predicciones. Como
manifestación de la precisión de los métodos de simulación en la predicción
de propiedades físicas, el Journal of Chemical and Engineering Data, una
revista líder en la publicación de datos termodinámicos de alta precisión,
acepta desde 2010 la publicación de artículos que contienen datos de
simulación molecular de sistemas reales sin ningún trabajo experimental. .
Un enfoque poderoso para reducir el tiempo de computación sin pérdida
de precisión en la representación de sistemas químicos y/o biológicos es
el uso de modelos moleculares de grano grueso. En este enfoque, un
grupo de átomos, o incluso moléculas, está representado por una única
unidad de interacción. Originado dentro de la comunidad de simulación
bioquímica, este enfoque está ganando importancia en la comunidad de
investigación de petróleo y gas. Este enfoque no ha sido ampliamente
validado para muchos sistemas diferentes; sin embargo, se estima que
proporciona predicciones dentro de un pequeño porcentaje para las
propiedades termodinámicas primarias y alrededor del 10% o más para
las propiedades derivadas y de transporte.
Además, los métodos de aprendizaje automático se pueden entrenar
utilizando datos medidos experimentalmente o generados mediante
simulación molecular y este enfoque se puede utilizar para predecir
propiedades físicas con un esfuerzo computacional significativamente
menor en comparación con la simulación molecular sola. A modo de
ejemplo, Snurr y sus colaboradores de la Universidad Northwestern
desarrollaron un modelo predictivo de ML para el diseño de estructuras
organometálicas (MOF) que se utilizarán para separaciones de gases y otras aplicaciones.8
Las simulaciones moleculares de sólidos vítreos y semicristalinos serían
seguramente más predictivas que EoS, pero el esfuerzo computacional
es elevado, debido a los largos tiempos de equilibrio que requieren los
sistemas vítreos, o por el gran tamaño de la caja de simulación de sólidos
vítreos y semicristalinos. sólidos cristalinos.83 Se espera una mejora a
partir del desarrollo de métodos multiescala, que combinan el bajo costo
computacional de los modelos macroscópicos con la precisión y capacidad
predictiva de las simulaciones moleculares,84 que pueden, por ejemplo,
inspeccionar el estado termodinámico de los sólidos cristalinos amorfos.
interfaz.
Por último, pero no menos importante, la simulación molecular se puede
utilizar para predecir propiedades de sistemas y condiciones muy tóxicos,
corrosivos u otros en los que el trabajo experimental es imposible. Sin
embargo, sigue siendo cierto que, a pesar de la rápida mejora de la calidad
de los resultados de la simulación molecular, nunca reducirán la necesidad
de mediciones experimentales reales de alta
calidad. 3.3c. Descripción de fenómenos clave que ocurren a
nanoescala. La simulación molecular se puede combinar con otros
métodos computacionales como el cálculo de la mecánica cuántica.
https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
laciones para la elucidación de procesos moleculares elementales en las
interfaces, incluidos, por ejemplo, procesos catalíticos. En una aplicación
típica, se modela un grupo de moléculas cerca de una nanopartícula
catalítica utilizando métodos ab initio de función de onda o métodos
semiempíricos de Hartree­Fock (HF) y los resultados se utilizan para
parametrizar un campo de fuerza molecular que se puede utilizar
posteriormente en simulaciones moleculares.85
La simulación molecular también se ha utilizado ampliamente para
predecir las propiedades de fluidos confinados con una amplia gama de
aplicaciones industriales que incluyen el secuestro de CO2, el
almacenamiento de H2 y muchas otras. En la mayoría de estos casos, la
medición experimental de propiedades termofísicas es muy engorrosa o
incluso imposible. La simulación molecular puede predecir con una precisión
razonable tanto el equilibrio como las propiedades de transporte de estos
sistemas y proporciona información muy valiosa sobre el efecto del
confinamiento, especialmente en el caso en que no existen datos
experimentales.86 También puede generar datos precisos que pueden ser
Se utiliza en un nivel de grano grueso más alto, de tal manera que se
puedan acelerar los cálculos y/o se puedan examinar los sistemas a escalas
mayores.87
4. DATOS
Los datos sobre las propiedades termodinámicas y de transporte
desempeñan un papel crucial en el diseño de procesos y productos, la
optimización de procesos, el uso sostenible de la energía y la evaluación de
la seguridad en diversas disciplinas, como la ingeniería ambiental, química
y mecánica, la biotecnología y la ciencia de los materiales.
La capacidad de calcular el comportamiento de componentes puros,
mezclas, determinados pasos del proceso, plantas enteras o incluso
sistemas más grandes depende del hecho de que el modelo debe tener
información sobre la interacción entre las moléculas. Por lo general, esta
información de entrada es proporcionada por parámetros de componentes
puros y mezclas de modelos de propiedades termofísicas. Estos parámetros
se determinan ajustándolos a datos experimentales o, en su defecto, a
datos estimados mediante modelos de propiedades predictivas, como
métodos de contribución de grupos, simulación molecular o COSMO­RS.
Claramente, se prefieren los valores experimentales verdaderos y a
continuación proporcionaremos un resumen de los datos experimentales
existentes versus los no existentes. En un segundo apartado hablaremos
de su calidad, que probablemente sea incluso más importante que su
disponibilidad. Terminaremos esta sección con algunas recomendaciones.
4.1. Falta de datos. Aunque varios bancos de datos sobre propiedades
(DETHERM,88,92 DDB,89 NIST­TRC,90 DIPPR,93 etc.) están disponibles
y crecen cada año al incluir datos recién medidos de la literatura, sigue
habiendo una falta general de datos.
Esta tendencia va en aumento con el tiempo, a medida que un número cada
vez mayor de sustancias molecularmente complejas adquieren interés para
la industria, mientras que las capacidades de medición permanecen
constantes o tienden a disminuir en algunas partes del mundo, como
también señala la encuesta.1 Las mediciones generalmente se realizan no
financiado directamente; son subproductos de programas de financiación
dedicados a determinadas necesidades prácticas. Las mediciones
financiadas por la industria suelen ser confidenciales y los datos no pueden
publicarse, o lo hacen con un retraso de varios años.
Se dispone de datos experimentales para alrededor de 100 compuestos
en una amplia gama de temperaturas y presiones, de modo que se han
desarrollado ecuaciones de estado fundamentales explícitas en la energía
de Helmholtz para describir sus propiedades termodinámicas con alta
precisión.37,94 Se necesitan muchos datos de propiedades precisos y
confiables. para adaptarse a los numerosos parámetros de EoS.
Los EoS fundamentales son de gran valor para aplicaciones
industriales,33,94 por ejemplo, para todos los cálculos que necesitan alta precisión y
14673
pubs.acs.org/IECR Artículo
incluso para apoyar la evaluación de datos experimentales en bruto.
Se necesitan EoS fundamentales para sustancias más puras, pero sólo se
pueden desarrollar si se dispone de datos de propiedades de alta calidad
en una amplia gama de temperaturas y
presiones.
Para casi 2.000 componentes puros existen datos sobre las propiedades
termofísicas más importantes, como la densidad del líquido y la presión de
vapor, en función de la temperatura. Han sido validados por el consorcio
DIPPR91 y se encuentran disponibles correlaciones de alta calidad. Sin
embargo, hay que destacar que siempre que faltan datos (como puede ser
el caso de las propiedades interfaciales o de transporte), se utilizan enfoques
predictivos para desarrollar dichas correlaciones.
Para otros miles de componentes puros, que se encuentran disponibles
en bancos de datos comerciales y en simuladores de procesos, sólo se
conocen muy pocos datos experimentales, como por ejemplo el punto de
fusión. Las sustancias farmacéuticas y agroquímicas se vuelven más
complejas y a menudo son compuestos multifuncionales de alto peso
molecular para los cuales no hay datos disponibles o sólo hay pocos.
Para las mezclas, la falta de datos es aún peor, por ejemplo, para datos
de equilibrio de fases de mezclas no ideales, incluidos sistemas de
electrolitos, datos a altas presiones, datos en condiciones diluidas,
condiciones criogénicas y para sistemas reactivos multifásicos. Las
necesidades requeridas para las mediciones incluyen todos los tipos de
equilibrios de fase (VLE, LLE, VLLE, SLE y SLVE), densidad, propiedades
térmicas, superficiales y derivadas, por ejemplo, capacidades caloríficas y
propiedades de transporte como viscosidad, coeficientes de difusión y
conductividad térmica. .1 Los datos del sistema multicomponente son
importantes para la validación del modelo, especialmente el LLE
multicomponente.
Las búsquedas de literatura pueden resultar frustrantes porque Web of
Knowledge y SciFinder, por ejemplo, proporcionan búsquedas en lenguaje
natural con respuestas incompletas contaminadas por una gran cantidad de
referencias irrelevantes. Además, estamos convencidos de que existen
muchos datos clasificados, cubiertos por protecciones de confidencialidad
que desaparecieron hace mucho tiempo. Sería de gran beneficio para la
comunidad en general encontrar recursos para evaluarlos de manera
integral.
Si no hay datos disponibles y no se pueden aplicar métodos predictivos,
entonces el análisis del comportamiento de sistemas similares para los que
existen datos puede ser muy útil para resolver problemas industriales. Por
tanto, las actividades de investigación sobre el comportamiento general de
clases de mezclas también son de interés para aplicaciones industriales.
La creencia de que las mediciones son costosas se aplica principalmente
a los primeros puntos de datos, ya que es necesario configurar y evaluar el
aparato y capacitar al personal. Por lo tanto, la medición de muchos puntos
de datos en un aparato especializado suele ser menos costosa que las
mediciones individuales de cada punto de datos. Durante las últimas
décadas, el número de aparatos experimentales disponibles en los
laboratorios de propiedad industrial ha disminuido. Los métodos se centran
en propiedades que son importantes para el diseño de procesos y productos,
por ejemplo, mediciones de equilibrios de fases y propiedades de
componentes puros. Realizar mediciones con socios externos es una
opción valiosa, que tiene que abordar un par de cuestiones: (a) calendario
apretado, (b) sustancias confidenciales, (c) problemas de seguridad debido
a sustancias cuyos peligros (aún) no se han evaluado completamente, (d)
cuestiones relacionadas con la idoneidad del equipo (por ejemplo, corrosión),
(e) disponibilidad y transporte de cantidades suficientes de sustancias, (f)
cuestiones administrativas y legales, por nombrar algunas. Aspectos no
técnicos, como la firma de contratos, transporte de materiales, etc., pueden
suponer un riesgo.
https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
Un desafío para estas mediciones externas, especialmente cuando el plazo del
proyecto es ajustado.
4.2. Calidad de los datos. Desde el punto de vista industrial, también existe
una preocupación generalizada1,2 respecto a la calidad de los datos.
El creciente número de publicaciones sobre datos experimentales de propiedades
termofísicas ha aumentado el esfuerzo necesario para la validación de datos,95
particularmente debido al aumento en el porcentaje de datos de baja calidad que
se publican.96 Por ejemplo, si varios autores miden datos de propiedades para
el mismo sistema y todos afirman que sus datos tienen una precisión del 1%,
pero las desviaciones entre los conjuntos de datos son del 10% o incluso
mayores, surgen grandes dudas, como lo analizan Peper et al.97 Antes de que
estos datos puedan usarse para aplicaciones industriales, se debe evaluar la
calidad de los datos. se tiene que realizar una evaluación. Un ajuste de los
parámetros del modelo a todos los datos existentes para una determinada tarea
a menudo conduce a un mal resultado, ya que unos pocos puntos de datos
erróneos pueden tener un enorme impacto negativo en la calidad del modelo
ajustado. La confianza en los datos publicados en las principales revistas
internacionales sobre datos de propiedades termofísicas es, en general, alta.
Cinco revistas han unido esfuerzos (Journal of Chemical and Engineering Data,
The Journal of Chemical Thermodynamics, Fluid Phase Equilibria, Thermochimica
Acta e International Journal of Thermo­physics) para definir un estándar de
calidad en sus publicaciones aceptadas.98 Sin embargo, muchas revistas
nuevas han surgido y no todos tienen un proceso de revisión por pares con la
misma experiencia específica que las principales revistas sobre propiedades
termofísicas, lo que resulta en la publicación de datos de baja calidad o incluso
erróneos. Por ejemplo, un manuscrito sobre equilibrios de fases de alta presión
enviado a una revista sobre ciencia de membranas, química verde o tecnología
energética probablemente tendrá revisores con una experiencia diferente a la de
los de la comunidad de propiedades termofísicas.
Muchas publicaciones no cumplen los requisitos de las buenas prácticas de
presentación de informes99, por lo que es difícil evaluar la calidad de los datos;
por ejemplo, los datos no se proporcionan en formato numérico o las sustancias
y los métodos no están suficientemente especificados. Es necesario informar
sistemáticamente los errores experimentales, comprobar la consistencia
termodinámica de los valores finalmente informados y compararlos con todos los
datos disponibles en la literatura.
Para varios sistemas, se han publicado muchos conjuntos de datos, por ejemplo,
para equilibrios de fases de CO2­etanol, incluidos datos de mala calidad. Si uno
de esos sistemas se utiliza para validar la precisión de un aparato o de un método
experimental, es fácil encontrar un conjunto de datos que concuerde con sus
propias mediciones, incluso si hay un desacuerdo con la mayoría de los otros
conjuntos de datos. A menudo, sólo se publican unos pocos puntos de datos de
un sistema, lo que dificulta la evaluación de la calidad de los datos. No es fácil
realizar buenas mediciones, ya que es necesario superar muchos desafíos
experimentales.100 Es esencial contar con personal de investigación bien
capacitado y consciente de las numerosas fuentes de error. Este conocimiento
suele generarse en grupos con experiencia experimental de larga data. Muchos
colegas industriales lamentan la disminución del número de estos grupos en
Europa y América del Norte. Para todos los grupos, se recomienda
encarecidamente realizar mediciones de referencia a intervalos regulares para
evaluar la precisión del aparato y del método. Esto se aplica tanto a equipos
comerciales como a equipos de desarrollo propio.
4.3. ¿Qué se podría hacer ante la carencia y la
¿Calidad de los datos?
1. Valoración de la importancia de los datos y reconocimiento de los
experimentadores que pueden realizar estas exigentes
14674
pubs.acs.org/IECR Artículo
mediciones para obtener datos de calidad precisos y confiables.
2. Las directrices para que los experimentadores informen datos, por
ejemplo, Bazyleva et al.99 o Chirico et al.98, deberían convertirse en
conocimiento común. Los autores, revisores y editores deben ser
estrictos a la hora de impedir la publicación de datos de baja calidad.
Los datos incorrectos son como noticias falsas: una vez publicados, no
desaparecerán. Está en marcha un proyecto de la IUPAC para promover
la confiabilidad de los datos VLE.
3. Deben evitarse falsos incentivos para los investigadores de agencias de
financiación y universidades, por ejemplo, publicar muchos artículos en
lugar de publicar artículos de alta calidad.
La publicación en una de las cinco revistas98 que han acordado criterios
de calidad (o posiblemente en otras si se comprometen con los mismos
criterios de calidad) debería ser altamente recomendada (si no impuesta).
4. Mayor desarrollo de un conjunto de sistemas de prueba con datos
recomendados de alta calidad en una amplia gama de temperaturas y
presiones.55 Todos los aparatos y métodos deben verificarse a intervalos
regulares con al menos uno de los sistemas de prueba, particularmente
en la temperatura y rango de presión de interés.
5. Desarrollo de experiencia experimental en más grupos académicos y/o
organizaciones de investigación por contrato, por ejemplo, en colaboración
con socios industriales.
6. Fomentar la financiación pública para la medición de datos para llenar
vacíos importantes y hacia una comprensión del comportamiento de
clases de mezclas.
7. Ampliar los consorcios con socios industriales para llenar los vacíos de
datos, por ejemplo, midiendo los equilibrios de fase y el exceso de
entalpías para determinar los parámetros faltantes de los métodos de GC.
8. Para reducir la falta de datos sobre propiedades a las que no se puede
acceder fácilmente mediante mediciones, se pueden utilizar métodos
computacionales como simulaciones moleculares o métodos basados en
química cuántica como COSMO­RS.
9. Es necesario simplificar los esfuerzos administrativos de los proyectos
financiados con fondos públicos. Varias empresas ya no aceptan dinero
en proyectos financiados con fondos públicos debido a problemas
administrativos excesivos antes, durante y después del proyecto.
10. Desarrollo y aplicaciones de modelos híbridos (combinación de modelos
termofísicos y algoritmos ML) para interpolar datos, mejorar métodos
predictivos o encontrar correlaciones entre propiedades.
5. EDUCACIÓN, FORMACIÓN Y TRABAJO EN RED
5.1. Diplomatura en Educación. En la encuesta sobre “Requisitos industriales
para propiedades termodinámicas y de transporte: 2020”1, se prestó especial
atención a la educación y la formación, así como a la colaboración. Muchos
participantes en la encuesta discutieron ampliamente la educación en ingeniería
química y el papel de la termodinámica, principalmente la reducción de los
estudios (proceso de Bolonia) en algunos países europeos, pero también
señalaron la falta de conocimiento de la termodinámica básica y los modelos
asociados. Para cerrar esta brecha, se requiere educación y capacitación
adicionales. La educación en diferentes niveles se percibía como clave para la
aplicación exitosa de la termodinámica en la industria. Por lo tanto, no sólo debe
fomentarse la educación de nivel básico, es decir, la educación universitaria o de
posgrado, sino también la educación y la formación permanentes. Un análisis de
la educación termodinámica tanto en pregrado como en posgrado.
https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
Los programas de posgrado en Europa y Estados Unidos se
presentaron hace más de 10 años en una encuesta realizada bajo los
auspicios del WP sobre TTP,101 donde la enseñanza en términos de
cantidad, contenido y estructura (métodos de enseñanza) de los
cursos de TTP así como también se discutieron los libros de texto. Se
observaron algunas diferencias entre EE.UU. y Europa en cuanto a las
descripciones a nivel atomístico/molecular y en la cantidad relativa de
aprendizaje basado en problemas, así como en las tareas en casa.
Cualquier ingeniero químico debería tener una idea básica de los
equilibrios de fases y de los principales modelos, pero más allá de eso,
es necesario formar expertos en la materia. La forma más eficaz de
lograr ese fin es la formación doctoral. Este tipo de educación está
limitada por (1) la capacidad de encontrar estudiantes interesados, (2)
el número de becas de doctorado y (3) las oportunidades profesionales
que se pueden ofrecer a los graduados. En este último punto, la
disminución del número de expertos industriales es motivo de
preocupación, ya que socava la capacidad de la industria para eliminar
obstáculos e innovar. La termodinámica aplicada es esencial para
muchos cálculos y diseños de ingeniería química, y los errores
reducirán, o posiblemente incluso eclipsarán, la eficiencia de las mejoras en los procesos.
Sin embargo, en muchas empresas se observa una tendencia a la
disminución de la experiencia. Es un hecho preocupante no sólo para
la salud de las empresas sino también para el atractivo de las
generaciones futuras para desarrollarse como especialistas.
5.2. Educación permanente. Debido a los diversos desafíos y
aplicaciones de la termodinámica en procesos industriales que un
ingeniero debe enfrentar durante su carrera, existe la necesidad de
educación y capacitación permanente de los profesionales industriales.
Al principio de su carrera, el ingeniero de procesos debe conocer
algunos aspectos de la termodinámica básica, incluidos los modelos
que podrían ser adecuados para una aplicación/sistema específico.
Esto es fundamental, ya que el ingeniero en ejercicio se encontrará
con una variedad de simuladores diferentes con modelos termodinámicos integrados.
Debido a las nuevas áreas de aplicación emergentes, procesos
sustentables, materiales avanzados y nuevos componentes que
enfrenta la industria, el campo de las propiedades termofísicas está
evolucionando y los ingenieros que utilizan herramientas termodinámicas
deben ser conscientes de las fortalezas y limitaciones de estas
herramientas. Deben saber cuándo consultar a un experto en
termodinámica en caso de necesidad, y el experto debe mantenerse
actualizado. El papel del experto industrial a menudo se infravalora: la organizadas en todo el mundo o en línea y proporcionando ejemplos
presencia de dicho experto ayuda a acelerar la innovación debido a
una comprensión más rápida de las vías viables, reduce los costos
porque podrá optimizar las herramientas de simulación para que se
ajusten mejor al comportamiento físico y evita accidentes, ya que su
entrenamiento les alertará para anticiparse a eventos inesperados. El
experto también facilitará las interacciones con académicos y posibles
socios del consorcio expresando la visión y las necesidades industriales, de mezclas multicomponentes, con especial atención a los equilibrios
evitando así pérdidas de tiempo, energía y financiación.
El papel del experto es estar al tanto de los nuevos avances,102
asistir activamente y quizás desarrollar métodos educativos y de
formación (entre los que se encuentran talleres, seminarios, escuelas
de verano, conferencias, seminarios web, cursos en línea, publicaciones
y libros). .
5.3. Conferencias y Talleres. La organización de talleres, escuelas
de verano o seminarios web103,104 formas para que son eficientes apoyar la revisión, ampliación y desarrollo posterior de los métodos de
los participantes conozcan los nuevos desarrollos en un área en
particular. Esto es especialmente útil para que los estudiantes de
posgrado desarrollen habilidades, conocimientos y experiencia
adicionales para futuros empleados.
Las conferencias son muy adecuadas para aprender sobre nuevos
desarrollos y para conocer a otros participantes tanto
pubs.acs.org/IECR Artículo
de la academia, la industria y los proveedores de software. El factor
humano es muy importante para el intercambio de ideas en ambos
sentidos: los académicos pueden aprender sobre las necesidades y
desafíos industriales, mientras que los ingenieros en ejercicio aprenden
sobre nuevos desarrollos. La pandemia de COVID­19 ha tenido un
impacto muy negativo en este proceso que sólo fue parcialmente
compensado por el desarrollo de interacciones remotas. Un área que
quizás no esté suficientemente desarrollada en las conferencias de
ingeniería son los talleres y tutoriales que brindan un examen más
detallado de temas particulares. Es clave poder lograr un equilibrio
entre el número de conferencias que no pueden ser demasiadas; de
lo contrario, la selección se vuelve difícil y es posible que los
profesionales industriales no puedan asistir. Por otro lado, el tamaño
de la conferencia también juega un papel importante en la intensidad
de las ideas intercambiadas. Las conferencias más pequeñas son más
apropiadas para interacciones verdaderas y duraderas, pero en
conferencias más grandes, los participantes pueden ampliar su
horizonte y tener la posibilidad de encontrar conexiones más interdisciplinarias.
Como ejemplo de talleres exitosos dentro de conferencias de
ingeniería química, se debe dar especial mención a los simposios 'Uso
industrial de la termodinámica' (IUT),3­7, iniciados por el EFCE TTP
WP, y organizados principalmente en el marco del otro, conferencias
más grandes. Durante cada Simposio IUT, se organizó una mesa
redonda para brindar la oportunidad a profesionales industriales y
académicos de presentar sus puntos de vista sobre diversos temas de
interés.
Entre el número de congresos sobre termodinámica, cabe destacar
el ESAT (European Symposium on Applied Thermodynamics), así
como los PPEPPD (Properties & Phase Equilibria for Product &
Process Design) y el Boulder Symposium on Thermophysical
Properties. Estas conferencias ofrecen un foro para que investigadores
académicos e industriales se reúnan y comuniquen sobre el desarrollo
y las tendencias en propiedades termofísicas, equilibrios de fases,
modelado y simulaciones, con importancia para el diseño de procesos
y productos.
5.4. Iniciativas específicas. Como se señaló durante varias de las
sesiones del IUT, los proveedores de software tienen una
responsabilidad importante en la transferencia de nuevas tecnologías
a sus clientes de ingeniería. Ofrecen atención al cliente a través de
diferentes canales, así como a través de sesiones de formación
en sus manuales. Además, en el pasado la Universidad de Oldenburg
en Alemania y actualmente Rareytec Europe Online organizaban
regularmente cursos sobre Termodinámica Química para la Simulación
de Procesos para el mundo académico y la industria, donde los
participantes se familiarizan con las capacidades y limitaciones de los
métodos y modelos utilizados actualmente. Se cubre el comportamiento
de fases, también se presentan sistemas de electrolitos y varios
enfoques a problemas de ingeniería de procesos utilizando métodos
termodinámicos modernos. Los proveedores de software también
ofrecen diferentes cursos.
Ser miembro de diferentes consorcios (UNIFAC, DIPPR, CERE, KT­
Consortium, EleTher, etc.) también aporta beneficios a los socios
industriales. Por ejemplo, el consorcio UNIFAC se organizó para
contribución grupal UNIFAC, UNIFAC modificado (Dortmund) y las
ecuaciones predictivas de estado PSRK y VTPR. Además, estos
consorcios proporcionan una plataforma agradable para que los
especialistas de la empresa se reúnan (contacto entre pares), lo cual
es un atributo valioso e importante en la situación actual de reducción
de los grupos de expertos en
14675 https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
Figura 5. Mensajes principales para recordar de este artículo.
industria. Los modelos desarrollados por los consorcios mencionados
se utilizan en todo el mundo para la síntesis y diseño de procesos de
separación y muchas otras aplicaciones de interés industrial, mientras
que DIPPR representa el estándar industrial para las propiedades
físicas de componentes puros, que se evalúan críticamente.
5.5. Manuales y publicaciones. Por último, pero no menos importante,
se proporciona una transferencia continua de conocimientos a través
de publicaciones y manuales. Varias revistas de alto impacto proponen
artículos de revisión que hacen posible que una comunidad más grande
tenga acceso a los últimos avances en termodinámica y propiedades
de transporte (Fluid Phase Equilibria, Journal of Chemical and
Engineering Data, Journal of Physical Chemistry B, International Journal
of Thermody­ namics, Journal of Chemical Thermodynamics, Journal
of Physical and Chemical Reference Data, etc.). El alto costo de
suscribirse a diferentes revistas puede ser un problema para el público
en general o para las empresas privadas, pero se presta cada vez más
atención a las opciones de acceso abierto y las versiones no editadas
de estos documentos a menudo están disponibles en archivos de
acceso abierto. También existen libros de texto muy interesantes que
explican en detalle temas a veces complejos y los hacen más fácilmente
accesibles para los ingenieros en ejercicio.27­30,105­108 Aunque
escribir tales documentos implica generalmente una gran inversión de
tiempo y recursos por parte del autor(es), Estos esfuerzos deberían ser
muy recomendables, ya que contribuyen a un banco de información
duradero y de fácil acceso que está disponible tanto para la enseñanza
como para aplicaciones. Más recientemente ha aparecido una iniciativa
que propone una guía para la selección de modelos a través de una
aplicación web.31
6. CONCLUSIONES
Este documento tiene como objetivo compartir las opiniones de los
autores, todos miembros del Grupo de Trabajo EFCE sobre
Termodinámica y Propiedades del Transporte, sobre los grandes
desafíos que tenemos por delante en su ámbito de actividad. Surge en
respuesta a la reciente encuesta realizada por el Grupo de Trabajo
EFCE sobre las necesidades industriales en el área de la termodinámica
aplicada.1 En la Figura 5 se propone un intento de resumir los mensajes
principales .
El documento está organizado de manera que, en primer lugar,
coloque la termodinámica en el contexto del impulso actual para
desarrollar una economía circular y sostenible. Esto se ilustra en la
parte izquierda de la figura y en la primera sección del artículo. En la parte derecha del resulta difícil motivar a los financiadores públicos porque las
14676
pubs.acs.org/IECR Artículo
En la figura, analizamos las respuestas que la comunidad de ingenieros
puede ofrecer a estos desafíos sociales. Creemos que la termodinámica
aplicada tiene un papel muy importante que desempeñar en la transición
económica hacia una economía circular y sostenible al proporcionar
modelos, herramientas y datos a la comunidad de ingenieros para
reducir el impacto ambiental de la actividad humana y al mismo tiempo
mantener un nivel de vida razonable en nuestras sociedades. . En otras
palabras, sigue siendo de crucial importancia que se inviertan fondos
públicos y privados y que jóvenes brillantes y motivados elijan una
carrera en el campo de la termodinámica aplicada. Puede que no
siempre sea obvio reconocer el vínculo entre las aplicaciones y la
ciencia de la termodinámica, pero en este artículo hemos intentado
ilustrarlo mediante algunos ejemplos.
En la segunda y tercera sección, consideramos los problemas que
han sido revelados por una encuesta reciente realizada por el grupo de
trabajo sobre el modelado de propiedades y los datos experimentales.
Los resultados de la encuesta indican varias necesidades industriales
que no están plenamente satisfechas. Recomendamos específicamente
que la investigación futura se centre en moléculas polifuncionales
complejas (productos farmacéuticos, materiales de origen biológico,
agentes tensioactivos, etc.), polímeros y electrolitos, ya que en estas
áreas los enfoques actuales no son satisfactorios. También destacamos
la creciente capacidad de la simulación molecular no sólo para ayudar
a comprender los diferentes fenómenos y proporcionar datos fiables,
sino también para diseñar modelos y procesos que se basan en
fenómenos microscópicos.
Los datos fiables y precisos desempeñan un papel esencial en
cualquier progreso futuro. Aunque ha habido grandes mejoras en
nuestra capacidad computacional para generar datos, la importancia
de mantener laboratorios experimentales y experiencia de alta calidad
es primordial. La inmensa mayoría de los modelos utilizados en la
industria se basan en parámetros que se han ajustado a datos
experimentales y la falta de datos fiables es enorme. Proporcionamos
una lista de 10 puntos que, en nuestra opinión, resumen las áreas que
deben abordarse.
Creemos que el progreso futuro requerirá necesariamente esfuerzos
de colaboración entre el mundo académico, los proveedores de
software y la industria, y nos gustaría insistir en la importancia de
asignar fondos tanto públicos como privados para tales esfuerzos. Las
agencias de financiación deberían fomentar una estrecha colaboración
de los editores de revistas científicas con los revisores e investigadores.
A menudo
https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google

Investigación en química industrial y de ingeniería pubs.acs.org/IECR Artículo

El campo de la termodinámica es muy transversal, técnico y de larga data. Notas

Esto último implica para la mayoría de los financiadores que ya no hay Los autores declaran no tener ningún interés financiero en competencia.
problemas que valga la pena resolver. A los financiadores privados les
preocupa principalmente su interés competitivo y, por lo tanto, es posible ■ AGRADECIMIENTOS
que no quieran compartir los últimos avances. Creemos firmemente que la
termodinámica aplicada juega un papel clave y tiene mucho que ofrecer La tarifa de acceso gratuito la paga la silla EleTher IFP­School.
tanto a las empresas como a la sociedad en general. Emplear expertos en
el campo y participar en esfuerzos conjuntos son esenciales para las ■ ABREVIATURAS
innovaciones hacia un futuro más sostenible. Existe una clara necesidad de PREGUNTAR
Centro de Ingeniería de Recursos Energéticos
que nuestra comunidad comunique esto con mayor éxito a los formuladores (consorcio DTU)
de políticas, la alta dirección y otros financiadores.
Modelo de detección tipo conductor COSMO­RS: disolvente real
COSMO­SAC COnductor como modelo­segmento de detección
En un último apartado hemos resaltado la importancia de las personas.
Coeficiente de actividad
Atraer y formar colaboradores jóvenes y entusiastas en este campo es DIPPR Instituto de Diseño de Propiedades Físicas
fundamental. Sin embargo, probablemente lo sea aún más poder colaborar (Consorcio AIChE)
con otros dominios. Esto implica una mente abierta, pero también Eléter Termodinámica de electrolitos (consorcio IFPEN)
herramientas que permitan estar a la vanguardia de los últimos avances.
Se presentan varios modos de comunicación sobre los nuevos desarrollos. e­NRTL electrolito de dos líquidos no aleatorios (modelo de
coeficiente de actividad)
En particular, destacamos que una comunicación exitosa va en ambos GC Contribución grupal ̀
sentidos. Es importante que los expertos en termodinámica sean conscientes GERG Grupo Europeo de Investigación del Gas (ecuación de
de los nuevos desafíos que enfrenta la industria, pero es igualmente
estado multiparamétrica)
importante que los ingenieros químicos en ejercicio conozcan las fortalezas IUPAC Unión Internacional de Ciencias Puras y Aplicadas
y limitaciones de sus modelos y las innovaciones que pueden ser de interés
Química
para sus aplicaciones, no solo en la industria química pero también en otros NIST Instituto Nacional de Normas y Tecnología
sectores que van desde la minería hasta la medicina. La educación y la
ogia
formación son esenciales a este respecto. NRTL Dos líquidos no aleatorios (modelo de coeficiente de
actividad)
Enjuiciamiento
Predictivo Soave­Redlich­Kwong (ecuación de estado)
■ INFORMACIÓN DEL AUTOR
Autor para correspondencia ALCANZAR Registro, Evaluación, Autorización y restricción de
Jean­Charles de Hemptinne − IFP Energies nouvelles, Rueil­Malmaison Productos Químicos (reglamento UE)
92852, Francia; orcid.org/0000­0003­1607­3960 ; Correo electrónico: JUGO Teoría estadística asociativa de fluidos (ecuación de
jean­charles.de­hemptinne@ifpen.fr estado)
ODS Metas de desarrollo sostenible
Autores TDE Motor de datos térmicos
Georgios M. Kontogeorgis − Centro de Ingeniería de Recursos UNIFAC Coeficientes de actividad funcional universal (modelo de
Energéticos (CERE), Departamento de Ingeniería Química
coeficiente de actividad)
y Bioquímica, Universidad Técnica de Dinamarca, Lyngby DK­2800,
UNIFAC(Do) Coeficientes universales de actividad funcional
Dinamarca; orcid.org/0000­0002­7128­1511 _
(Versión Dortmund) (modelo de coeficiente de actividad)

Ralf Dohrn − Bayer AG, Process Technologies, Leverkusen 51368,
Alemania Ioannis
G. Economou − Programa de Ingeniería Química, Universidad
Texas A&M en Qatar, Doha 23874, Qatar; orcid.org/
0000­0002­2409­6831 Antoon ten Kate
− Nouryon, Deventer 7418 AJ, Países Bajos
Susanna Kuitunen − Neste Engineering Solutions Oy, Porvoo
FI­06101, Finlandia
Ljudmila Fele Žilnik − Departamento de Catálisis y Química
Ingeniería de Reacción, Instituto Nacional de Química,
Liubliana 1001, Eslovenia
Maria Grazia De Angelis − Instituto de Materiales y
Procesos, Escuela de Ingeniería, Universidad de Edimburgo,
Edimburgo EH9 3FB, Reino Unido; Departamento de Asuntos Civiles, Químicos,
Ingeniería Ambiental y de Materiales Universidad de
Bolonia, Bolonia 40131, Italia
Velisa Vesovic − Departamento de Ciencias de la Tierra y
Ingeniería, Imperial College London, South Kensington
Campus, Londres SW7 2AZ, Reino Unido
La información de contacto completa está disponible
en: https://pubs.acs.org/10.1021/acs.iecr.2c01906
VTPR Peng­Robinson traducido por volumen (ecuación de
estado)
■ REFERENCIAS
(1) Kontogeorgis, GM; Dohrn, R.; Economou, IG; de Hemptinne, J.­C.;
DIEZ, A.; Kuitunen, S.; Mooijer, M.; Ž ilnik, LF; Vesovic, V. Requisitos
industriales para propiedades termodinámicas y de transporte: 2020. Ing.
de Indiana. Química. Res. 2021, 60, 4987­5013.
(2) Hendriks, E.; Kontogeorgis, GM; Dohrn, R.; de Hemptinne, J.
C.; Economou, IG; Zilnik, LF; Vesovic, V. Requisitos industriales para
termodinámica y propiedades de transporte. Ing. de Indiana. Química.
Res. 2010, 49, 11131­11141.
(3) Kontogeorgis, GM; Jaubert, J.­N.; de Hemptinne, J.­C.
Es editorial. Tecnología de ciencia del petróleo y gas. 2013, 68, 187­215.
(4) Economou, IG; de Hemptinne, J.­C.; Dohrn, R.; Hendricks, E.;
Keskinen, K.; Baudouin, O. Taller sobre uso industrial de la termodinámica:
mesa redonda el 8 de julio de 2014. Química. Ing. Carrera.
Des. 2014, 92, 2795­2796.
(5) de Hemptinne, J.­C.; Ferrasse, J.­H.; Gorak, A.; Kjelstrup, S.;
Maréchal, F.; Balduino, O.; Gani, R. La eficiencia energética como ejemplo
de colaboración interdisciplinaria en ingeniería química. Química. Ing.
Res. Desde. 2017, 119, 183­187.

14677 https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
(6) Mathías, PM; Soto, A.; Fele­Zilnik, L.; de Hemptinne, JC; Bazyleva, A.; Abildskov,
J. Calidad y evaluación de datos, métodos de validación y propagación de errores a
través del software de simulación: Informe de la mesa redonda en el X Congreso
Mundial de Ingeniería Química en Barcelona (1 al 5 de octubre de 2017). Química.
Ing. Res. Desde. 2018, 137, A1­A8.
(7) Kontogeorgis, GM; Kate, A.; diez Hajiw­Riberaud, M.; de Hemptinne, J.­C.
Conclusiones de la mesa redonda durante la IUT de los desafíos de la termodinámica
de electrolitos de ESAT 2021: desde las necesidades industriales hasta la investigación
académica. Equilibrio de fase fluida. 2022, 556, 113399.
(8) Los Objetivos Globales. http://www.globalgoals.org/, Consultado el 5 de enero de
2022.
(9) Naciones Unidas. Los 17 objetivos para el Desarrollo Sostenible (un.org ). https://
sdgs.un.org/goals, Consultado el 5 de enero de 2022.
(10) Sociedad Química Estadounidense. Química y Objetivos de Desarrollo Sostenible.
https://www.acs.org/content/acs/en/sustainability/chemistry­sustainable­development­
goals.html , consultado el 5 de enero
2022.
(11) Szargut, J. Método exergético: aplicaciones técnicas y ecológicas.
INGENIO, Southampton, 2005, (xvii), 164.
(12) Kotas, VT, ed. El método exergético de análisis de plantas térmicas.
Editores de Butterworth, 1985.
(13) Favrat, D.; Marechal, F.; Epelly, O. El desafío de introducir un indicador de exergía
en una ley local de energía. XIX Conferencia Internacional sobre Eficiencia, Costo,
Optimización, Simulación e Impacto Ambiental de Sistemas Energéticos ECOS 2006,
2008, 33, 2, 130−136, DOI: 10.1016/j.energy.2007.10.012.
(14) Peters, JF Reinventar la exergía como indicador de los impactos del agotamiento
de los recursos en ACV. Madre. Tecnología. 2020, 108, 5­6.
(15) Michaelides, EE Termodinámica, disipación de energía y cifras de mérito de los
sistemas de almacenamiento de energía: una revisión crítica.
Energías 2021, 14, 19.
(16) Müller, K.; Mokrushina, L.; Arlt, W. Restricciones termodinámicas para la utilización
de CO2. Química. En g. Tecnología. 2014, 86, 497­503.
(17) Hu, S.; Yang, Z.; Li, J.; Duan, Y. Una revisión de la optimización multiobjetivo en
el diseño de sistemas del ciclo orgánico de Rankine (ORC).
Energías 2021, 14, 20.
(18) Kontogeorgis, GM; Funda, A.; Kottaki, N.; Tsochantaris, E.; Topsøe, F.; Poulsen,
J.; Baché, M.; Liang, X.; Blom, NS; Kronholm, J. Estructura del agua, propiedades y
algunas aplicaciones ­ Una revisión.
Química. Termodina. Anal Térmico. 2022, 6, 100053.
(19) Nieto­Draghi, C.; Fayet, G.; Cretón, B.; Rozanska, X.; Rotureau, P.; de Hemptinne,
J.­C.; Ungerer, P.; Rousseau, B.; Adamo, C. Guía general para la predicción teórica de
las propiedades fisicoquímicas de productos químicos con fines reglamentarios.
Química. Rev. 2015, 115, 13093­13164. (20)
diez Kate, AJB; Piccione, PM; Adiós, P.; Becker, AF Una perspectiva de ingeniería
química e industrial sobre la formulación de ingredientes activos en productos
farmacéuticos y agroquímicos. actual. Opinión.
Química. Ing. 2022, 36, 100747.
(21) Enekvist, M. Diseño de productos de recubrimientos orgánicos asistido por
computadora; Universidad Técnica Danesa: Dinamarca, 2021.
(22) Gani, R.; Bałdyga, J.; Biscanos, B.; Brunazzi, E.; Charpentier, J.­C.; Drioli, E.;
Feise, H.; Furlong, A.; van Geem, KM; de Hemptinne, J.­C.; diez Kate, AJ;
ContadorGeorgis, gerente general; Manenti, F.; Marín, GB; Mansouri, SS; Piccione, PM;
Póvoa, A.; Rodrigo, MA; Sarup, B.; Sorensen, E.; Udugama, IA; Woodley, JM Una visión
de múltiples niveles de la ingeniería química y bioquímica. Química. Ing. Res. Dic. Rev.
2020, 155, A133­A1
(23) Sholl, DS; Lively, RP Siete separaciones químicas para cambiar el mundo.
Naturaleza 2016, 532, 435­437.
(24) Jirasek, F.; Hasse, H. Perspectiva: Aprendizaje automático de propiedades
termofísicas. Equilibrio de fase fluida. 2021, 549, 113206.
(25) Abildskov, J.; Kontogeorgis, Diseño de productos químicos de GM: un nuevo
desafío de la termodinámica aplicada. Química. Ing. Res. Des. 2004, 82, 1505­1510.
14678
pubs.acs.org/IECR Artículo
(26) Vidal, J. Termodinámica: Aplicaciones en Ingeniería Química y la Industria del
Petróleo; Ediciones Technip, 2003.
(27) Kontogeorgis, GM; Folas, GK Modelos termodinámicos para aplicaciones
industriales: desde reglas de mezcla clásicas y avanzadas hasta teorías de asociación;
Wiley, 2010.
(28) Prausnitz, JM; Lichtenthaler, enfermera registrada; Gómez de Azevedo, E.
Termodinámica molecular de los equilibrios de fases fluidas; Prentice Hall Internacional,
1999.
(29) Poling, BE; Prausnitz, JM; O'Connell, JP Las propiedades de los gases y líquidos;
Educación McGraw­Hill 2001. (30) de Hemptinne, J.­C.;
Ledanois, J.­M.; Mougin, P.; Barreau, A.
Seleccionar modelos termodinámicos para simulación de procesos: una guía práctica
que utiliza una metodología de tres pasos; Ediciones Technip, 2012.
(31) IFP­Escuela. Elige mi modelo https://view.genial.ly/ 617969334c81c40db6c41ec2/
presentation­choose­your­model.
(32) Le Guennec, Y.; Privado, R.; Lasala, S.; Jaubert, J.­N. Sobre la necesidad
imperativa de utilizar una función α consistente para la predicción de propiedades
supercríticas de compuestos puros con una ecuación de estado cúbica.
Equilibrio de fase fluida. 2017, 445, 45­53.
(33) Span, R.; Lemmon, EW; Jacobsen, RT; Wagner, W.; Yokozeki, A. Una ecuación
de estado de referencia para las propiedades termodinámicas del nitrógeno para
temperaturas de 63,151 a 1000 K y presiones de hasta 2200 MPa. J. Física. Química.
Árbitro. Datos 2000, 29, 1361­1433.
(34) Jacobsen, RT; Stewart, RB Propiedades termodinámicas del nitrógeno, incluidas
las fases líquida y de vapor, de 63 K a 2000 K con presiones de hasta 10000 bar. J.
Física. Química. Árbitro. Datos 1973, 2, 757­922.
(35) Jaeschke, M.; Audibert, S.; van Cangeghem, P.; Humphreys, A.
MI.; Janssen­Van, RR; Pellell, Q.; Schouten, JA; Michels, JPJ
Predicción precisa de la compresibilidad mediante la ecuación virial del GERG (Groupe
̀
europeeń de recherches gazieres). Prod. SPE. Ing. 1991, 6, 343­349.
(36) Kunz, O.; Wagner, W. La ecuación de estado de amplio rango GERG­2008 para
gases naturales y otras mezclas: una expansión de GERG­2004. J. química. Ing. Datos
2012, 57, 3032­3091.
(37) Lemmon, E.; Bell, HI; Huber, ML; McLinden, MO NIST Base de datos de referencia
estándar 23: Propiedades termodinámicas y de transporte de fluidos de referencia­
REFPROP; Instituto Nacional de Estándares y Tecnología. Programa de datos de
referencia estándar: Gaithersburg, 2018.
(38) Fredenslund, A. Unifac y modelos de contribución de grupos relacionados para
equilibrios de fases. Equilibrio de fase fluida. 1989, 52, 135­150.
(39) Hurón, MJ; Vidal, J. Nuevas reglas de mezcla en ecuaciones de estado simples
para representar equilibrios vapor­líquido de mezclas fuertemente no ideales . Equilibrio
de fase fluida. 1979, 3, 255­271.
(40) Holderbaum, TG; Gmehling, J. PSRK: Una ecuación de estado de contribución
grupal basada en UNIFAC. Equilibrio de fase fluida. 1991, 70, 251­265.
(41) Schmid, B.; Gmehling, J. La ecuación de contribución del grupo universal del
estado actual del VTPR estatal y el potencial para el desarrollo de procesos: 12ª
Conferencia Internacional sobre Propiedades y Equilibrios de Fases para el Diseño de
Productos y Procesos. Equilibrio de fase fluida. 2011, 302, 213­219.
(42) Jaubert, JN; Vitú, S.; Mutelet, F.; Corriou, JP Extensión del modelo PPR78
(predictivo 1978, Peng­Robinson EOS con k(ij) dependiente de la temperatura calculado
mediante un método de contribución de grupo) a sistemas que contienen compuestos
aromáticos. Equilibrio de fase fluida. 2005, 237, 193­211.
(43) Qian, J.­W.; Privado, R.; Jaubert, J.­N. Predicción de los equilibrios de fase,
fenómenos críticos y entalpías de mezcla de sistemas acuosos binarios que contienen
alcanos, cicloalcanos, aromáticos , alquenos y gases (N2, CO2, H2S, H2) con la
ecuación de estado PPR78. Ing. de Indiana. Química. Res. 2013, 52, 16457­16490.
(44) Nguyen Thi, Texas; Tamouza, S.; Tobaly, P.; Passarello, JP; de Hemptinne, JC
Aplicación de la ecuación de estado SAFT de contribución grupal (GC­SAFT) para
modelar el comportamiento de fase de ésteres ligeros y pesados. Equilibrio de fase
fluida. 2005, 238, 254­261.
(45) Tihic, A.; ContadorGeorgis, gerente general; von Solms, N.; Michelsen, M. (1999).
L.; Constantinou, L. Un PC simplificado de contribución grupal predictiva
https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google
Investigación en química industrial y de ingeniería
Ecuación de estado SAFT: Aplicación a sistemas poliméricos. Ing. de Indiana.
Química. Res. 2008, 47, 5092­5101.
(46) Lymperiadis, A.; Adjiman, CS; Galindo, A.; Jackson, G. Un método de
contribución grupal para asociar moléculas en cadena basado en la teoría estadística
de asociación de fluidos (SAFT­gamma). J. química. Física. 2007, 127, 234903.
(47) Mac, DN; Pereira, FE; Llovell, F.; Blas, FJ; Adjiman, CS; Jackson, G.; Galindo,
A. Modelos SAFT­VR transferibles para el cálculo de los equilibrios de fases fluidas
en mezclas reactivas de dióxido de carbono, agua y n­alquilaminas en el contexto de
la captura de carbono. J. Física. Química. B 2011, 115, 8155­8168.
(48) Kang, JW; Diky, V.; Chirico, RD; Magee, JW; Muzny, C.
D.; Abdulagatov, I.; Kazakov, AF; Frenkel, M. Un nuevo método para la evaluación
de los parámetros de interacción UNIFAC. Equilibrio de fase fluida. 2011, 309, 68­75.
(49) Kang, JW; Diky, V.; Frenkel, M. Nuevos parámetros UNIFAC modificados
utilizando datos de equilibrio de fases evaluados críticamente. Equilibrio de fase
fluida. 2015, 388, 128­141.
(50) Ge, K.; Ji, Y. Nuevo enfoque computacional mediante la combinación del
aprendizaje automático con la termodinámica molecular para predecir la solubilidad
de fármacos en disolventes. Ing. de Indiana. Química. Res. 2021, 60, 9259­9268.
(51) Klamt, A. COSMO­RS: De la química cuántica a la termodinámica en fase
fluida y el diseño de fármacos; Elsevier Ciencia y Tecnología, Ámsterdam, 2005.
(52) Umer, M.; Albers, K.; Sadowski, G.; Leonhard, K. Parámetros de PC­SAFT a
partir de cálculos ab initio. Equilibrio de fase fluida. 2014, 362,
41­50.
(53) Gmehling, J.; Wittig, R.; Lohmann, J.; Joh, R. Un modelo modificado de UNIFAC
(Dortmund). 4. Revisión y ampliación. Ing. de Indiana.
Química. Res. 2002, 41, 1678­1688.
(54) Walker, PJ; Tejo, H.­W.; Riedemann, A. Clapeyron.jl: Un conjunto de
herramientas de termodinámica de fluidos extensible y de código abierto. Ing. de Indiana.
Química. Res. 2022, 61, 7130­7153.
(55) Jaubert, J.­N.; Le, Y.; Piña­Martínez, A.; Ramírez­Vélez, N.; Lasala, S.; Schmid,
B.; Nikolaidis, IK; Economou, IG; Privado, R.
Base de datos de referencia que contiene datos certificados de alta calidad de
sistemas binarios para comparar modelos termodinámicos y evaluar su precisión. Ing.
de Indiana. Química. Res. 2020, 59, 14981­15027.
(56) Alfradique, MF; Castier, M. Puntos críticos de mezclas de hidrocarburos con
las ecuaciones de estado de Peng­Robinson, SAFT y PC­SAFT . Equilibrio de fase
fluida. 2007, 257, 78­101.
(57) Kontogeorgis, GM; Maribo­Mogensen, B.; Thomsen, K. La teoría de Debye­
Hückel y su importancia en el modelado de soluciones de electrolitos. Equilibrio de
fase fluida. 2018, 462, 130­152.
(58) Oishi, T.; Prausnitz, JM Estimación de actividades solventes en soluciones de
polímeros utilizando un método de contribución de grupos. Ing. de Indiana. Química.
Proceso Des. Desarrollo. 1978, 17, 333­339.
(59) Flory, PJ Termodinámica de soluciones con alto contenido de polímeros ­ Carta
a los editores. J. química. Física. 1941, 9, 660­661.
(60) Sánchez, IC; Lacombe, RH Termodinámica estadística de soluciones de
polímeros. Macromoléculas 1978, 11, 1145­1156. (61) de Angelis, MG;
Sarti, GC Solubilidad de gases y líquidos en polímeros vítreos. Año. Rev. Química.
Biomol. Ing. 2011, 2, 97­120.
(62) Atiq, O.; Ricci, E.; Baschetti, MG; de Angelis, MG
Modelado de solubilidad en polímeros semicristalinos: una revisión comparativa
crítica. Equilibrio de fase fluida. 2022, 556, 113412.
(63) Peters, FT; Laube, FS; Sadowski, G. Desarrollo de un método de contribución
grupal para polímeros dentro del modelo PC­SAFT.
Equilibrio de fase fluida. 2012, 324, 70­79.
(64) Gani, R. Métodos de estimación de propiedades basados en aportaciones del
grupo : avances y perspectivas. actual. Opinión. Química. Ing. 2019, 23, 184­196.
(65) Patra, TK Métodos basados en datos para acelerar el diseño de polímeros.
ACS Polymers Au 2022, 2, 8­26.
(66) Assael, MJ, Goodwin, ARH, Vesovic, V., Wakeham, WA
Avances en las propiedades de transporte de fluidos; Real Sociedad de Química:
Cambridge, Reino Unido, 2014.
14679
pubs.acs.org/IECR Artículo
(67) Hellmann, R. Coeficientes cruzados del segundo virial y propiedades de
transporte de gas diluido de los sistemas (N2 + C3H8), (C2H6 + C3H8) y (H2S +
C3H8) de potenciales intermoleculares basados en Ab Initio. J.
Química. Ing. Datos 2020, 65, 4712−4724.
(68) Veliadou, D.; Antoniadis, KD; Assael, MJ; Huber, ML
Correlación de referencia para la viscosidad del propano­1,2­diol (propilenglicol)
desde el punto triple hasta 452 K y hasta 245 MPa. En t. J. Termofis. 2022, 43, 42.
(69) Llovell, F.; Marcos, RM; Vega, LF Teoría del volumen libre combinada con Soft­
SAFT para cálculos de viscosidad: comparación con simulación molecular y datos
experimentales. J. Física. Química, B 2013, 117, 8159­8171. (70) de Wijn, AS; Riesco,
N.; Jackson, G.;
Martín Trusler, JP; Vesovic, V. Viscosidad de mezclas líquidas: el método Vesovic­
Wakeham para moléculas en cadena. J. química. Física. 2012, 136, 74514.
(71) Lötgering­Lin, O.; Gross, J. Método de contribución grupal para viscosidades
basado en escalamiento de entropía utilizando la teoría de fluidos de asociación
estadística polar de cadena perturbada. Ing. de Indiana. Química. Res. 2015, 54,
7942­7952.
(72) Hopp, M.; Gross, J. Conductividad térmica a partir del escalamiento de entropía:
un método de contribución grupal. Ing. de Indiana. Química. Res. 2019, 58,
20441­20449.
(73) López, ER; Pensativo, AS; Comunes, MJP; Padua, AA
H.; Fernández, J.; Harris, KR Escalado de densidad de las propiedades de transporte
de líquidos iónicos y moleculares. J. química. Física. 2011, 134, 144507.
(74) Motahhari, H.; Sátiro, MA; Taylor, SD; Yarranton, HW
Ampliación del modelo ampliado de viscosidad de fluidos a aceites caracterizados.
Combustibles energéticos 2013, 27, 1881­1898.
(75) McCabe, C.; Bair, S.; Moore, J. eds. 10º Desafío de Simulación de Fluidos
Industriales; Elsevier: 2020.
(76) Colectivo de simulación de propiedades de fluidos industriales Raymond
Mountain . http://fluidproperties.org/.
(77) Gajardo Parra, NF; Cotroneo­Figueroa, vicepresidente; Aravena, P.; Vesovic,
V.; Canales, RI Viscosidad de disolventes eutécticos profundos a base de cloruro de
colina : experimentos y modelos. J. química. Ing. Datos 2020, 65, 5581­5592.
(78) Novak, LT Correlación entre viscosidad del fluido y entropía residual. En t.
J. química. Reaccionar. Ing. 2011, 9, 1.
(79) Papavasileiou, KD; Peristeras, LD; Bick, A.; Economou, I.
G. Simulación de dinámica molecular de n­alcanos puros y sus mezclas a temperaturas
elevadas utilizando campos de fuerza atomísticos y de grano grueso. J. Física.
Química. B 2019, 123, 6229­6243.
(80) Krokidas, P.; Moncho, S.; Hermanos, EN; Castier, M.; Economou, IG Adaptación
de la eficiencia de separación de gases de la estructura organometálica ZIF­8
mediante la sustitución de metales: un estudio computacional. Física. Química.
Química. Física. 2018, 20, 4879­4892.
(81) Heller, A.; Koller, TM; Rausch, MH; moscas, MSH; Jefe, A.
NR; van der Laan, médico de cabecera; Makrodimitri, ZA; Economou, IG; Fröba, AP
Determinación simultánea de la difusividad térmica y mutua de mezclas binarias de n­
octacosano con monóxido de carbono, hidrógeno y agua mediante dispersión
dinámica de luz. J. Física. Química. B 2014, 118, 3981­3990.
(82) Rosen, AS; Iyer, SM; Rayo, D.; Yao, Z.; Aspuru­Guzik, A.; Gagliardi, L.;
Notestein, JM; Snurr, RQ Aprendizaje automático de las propiedades químicas
cuánticas de estructuras organometálicas para el descubrimiento acelerado de
materiales. Asunto 2021, 4, 1578­1597.
(83) Vergadou, N.; Theodorou, DN Investigaciones de modelado molecular de
sorción y difusión de moléculas pequeñas en polímeros vítreos. Membranas 2019, 9,
98.
(84) Ricci, E.; Minelli, M.; de Angelis, MG Un enfoque multiescala para predecir el
rendimiento de separación de gases mixtos de membranas poliméricas vítreas para
la captura de CO2: el caso de la mezcla CO2/CH4 en Matrimid®. J. Miembro. Ciencia.
2017, 539, 88­100.
(85) Papavasileiou, KD; Peristeras, LD; Bick, A.; Economou, I.
G. Simulación de dinámica molecular de la mezcla de n­octacosano y agua confinada
en mesoporos de grafeno: comparación de cálculos atomísticos y de grano grueso y
el efecto de la nanopartícula catalizadora. Combustibles energéticos 2021, 35,
4313−4332.
https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680
Machine Translated by Google

Investigación en química industrial y de ingeniería pubs.acs.org/IECR Artículo

(86) Mercier Franco, LF; Castier, M.; Economou, Difusión de IG en medios
homogéneos y no homogéneos: un nuevo enfoque unificado. J. química. Computación
teórica. 2016, 12, 5247­5255.
(87) Apostolopoulou, M.; Santos, MS; Hamza, M.; Bui, T.; Economou, IG; Stamatakis,
M.; Striolo, A. Cuantificación de los efectos del ancho de poro sobre la difusividad
mediante un novedoso enfoque estocástico 3D con aportaciones de simulaciones de
dinámica molecular atómica. J. química. Computación teórica. 2019, 15, 6907­6922.
(88) Westhaus, U.; Droge, T.; Sass, R. DETHERM: una base de datos de propiedades
termofísicas. Equilibrio de fase fluida. 1999, 158­160, 429­435.
(89) DDB DDBST Software y tecnología de separación, 1997.
(90) Mesa térmica web NIST TRC ­ Versión 2−2011­1­Pro; NIST: Gaithersburgh, MD,
2011; http://wtt­pro.nist.gov/wtt­pro, 2011.
(104) Grupo de Trabajo sobre Termodinámica y Propiedades del Transporte.
Herramientas termodinámicas para la captura de CO2. https://www.youtube.com/
watch?v=ZQHxxcOuFFw .
(105) Gmehling, J.; Kolbe, B.; Kleiber, M.; Rarey, J. Termodinámica química para
simulación de procesos. Wiley­VCH Publishers GmbH&Co. KGaA, 2012, 1­730.
(106) Michelsen, ML; Mollerup, J. Modelos termodinámicos: aspectos fundamentales
y computacionales; Publicaciones Tie­Line, 2004.
(107) Kleiber, M. Ingeniería de procesos: Abordar la brecha entre el estudio y la
industria química; De Gruyter: Berlín, 2016.
(108) Kjelstrup, S.; Bedeaux, DD; Johannes, AH; Gross, J. Termodinámica de no
equilibrio para ingenieros. Científico mundial, 2017.

(91) Rowley, JR; Wilding, Virginia Occidental; Oscarson, JL; Knotts, TA; Giles, NF
DIPPR (R) Compilación de datos de propiedades químicas puras.

(92) Detherm. Propiedades termofísicas de sustancias puras y

mezclas, versión 2017.0, 2018.
(93) Bloxham, JC; Redd, YO; Giles, NF; Knotts, TA; Vincent Wilding, W. Uso
adecuado de la base de datos DIPPR 801 para la creación de modelos, métodos y
procesos. J. química. Ing. Datos 2021, 66, 3­10.
(94) Span, R.; Beckmüller, R.; Hielscher, S.; Jäger, A.; Mickoleit, E.; Neumann, T.;
Pohl, S.; Semrau, B.; Thol, M. TENDENCIA. Referencia Termodinámica y Datos de
Ingeniería 5.0. https://www.thermo.ruhr­uni­bochum.de/thermo/forschung/
zustandsgleichung_reinstoffe . html.en.

(95) Diky, V.; Bazyleva, A.; Paulechka, E.; Magee, JW; Martínez, V.; Riccardi, D.;
Kroenlein, K. Validación de datos termofísicos para aplicaciones científicas y de
ingeniería. J. química. Termodina. 2019, 133, 208­222.

(96) Peper, S.; Fonseca, JMS; Dohrn, R. Equilibrios de fase fluida a alta presión:
tendencias, desarrollos recientes y sistemas investigados (2009­2012). Equilibrio de
fase fluida. 2019, 484, 126­224.
(97) Peper, S.; Haverkamp, V.; Dohrn, R. Medición de equilibrios de fases de los
sistemas CO2+estireno y CO2+acetato de vinilo utilizando diferentes métodos Recomendado por ACS
experimentales. J. Supercrítico. Fluidos 2010, 55, 537− 544.

Comentar en “Cálculo de la expansividad térmica isobárica a partir de mediciones

(98) Chirico, RD; Loos, TW; de Gmehling, J.; Goodwin, Arkansas
de densidad de líquidos . Aplicación al tolueno”
H.; Gupta, S.; Haynes, WM; Marsh, KN; Rives, V.; Olson, JD; Spencer, C.; Brennecke,
Alexander A. Pribylov y Eugene B. Postnikov
JF; Trusler, Directrices JPM para la presentación de informes de mediciones de
16 DE MARZO DE 2023
equilibrio de fases (Recomendaciones IUPAC 2012). Pura aplicación. Química. 2012,
84, 1785­1813.
REVISTA DE DATOS QUÍMICOS Y DE INGENIERÍA
LEER

(99) Bazyleva, A.; Abildskov, J.; Anderko, A.; Balduino, O.; Cherniak, Y.; de
Hemptinne, J.­C.; Diky, V.; Dohrn, R.; Elliott, J. Prácticas actuales y necesidades continuas en termofísica
R.; Jacquemin, J.; Jaubert, J.­N.; Joback, KG; Kattner, UR; Kontogeorgis, GM; Loria, Propiedades para la Industria Química
H.; Matías, PM; O'Connell, JP; Schröer, W.; Smith, GJ; Soto, A.; Wang, S.; Weir, RD Sumnesh Gupta, Carl T. Lira, te al.
Buenas prácticas de presentación de informes para mediciones de propiedades 20 DE FEBRERO DE 2023

termofísicas y termoquímicas (Informe técnico IUPAC). Pura aplicación. Química. 2021, INVESTIGACIÓN EN QUÍMICA INDUSTRIAL Y DE INGENIERÍA
LEER
93, 253­272.

Propiedades termofísicas para la industria química .

(100) Dohrn, R.; Fonseca, JMS; Peper, S. Métodos experimentales para el equilibrio
de fases a altas presiones. Año. Rev. Química. Biomol. Ing. 2012, 3, 343­367. Sumnesh Gupta, Walter G. Chapman, 26 te al.
de octubre de 2022

(101) Ahlström, P.; Objetivo, K.; Dohrn, R.; Elliot, RJ; Jackson, G.; Jaubert, JN; INVESTIGACIÓN EN QUÍMICA INDUSTRIAL Y DE INGENIERÍA
LEER
Macedo, EA; Pokki, JP; Reczey, K.; Víctorov, AI; Fele­Zelnik, L.; Economou, IG Un
estudio sobre el papel de la termodinámica y las propiedades del transporte en la Wertheim's Teoría de asociación para el equilibrio de fases
educación universitaria de ChE en Europa y Estados Unidos. Química. Ing. Educativo. Modelado en la práctica de la ingeniería química
2010, 44, 35­43. te al.
Carl T. Lira, Walter G. Chapman, 13
(102) Summerton, L.; Clark, JH; Hurst, Georgia; Bola, PD; Rylott, EL; Carslaw, N.;
de octubre de 2022
Creasey, J.; Murray, J.; Whitford, J.; Dobson, B.; Sneddon, HF; Ross, J.; Metcalf, P.;
INVESTIGACIÓN EN QUÍMICA INDUSTRIAL Y DE INGENIERÍA
LEER
McElroy, CR Talleres informados por la industria para desarrollar conjuntos de
habilidades para graduados en la economía circular utilizando el pensamiento sistémico.
J. química. Educativo. 2019, 96, 2959­2967.

(103) Grupo "Propiedades termodinámicas y de transporte".

Obtenga más sugerencias >
Desafíos de la termodinámica de electrolitos desde las necesidades industriales hasta
la investigación académica. https://www.youtube.com/watch?v=kKjsUuY8tbM.

14680 https://doi.org/10.1021/acs.iecr.2c01906
En. Prado. Química. Res. 2022, 61, 14664­14680