Producción CyT
Mecanica Computacional - ESTIMACIÓN DE LA DISTRIBUCIÓN DE TAMAÑOS DE PARTÍCULA POR TURBIDIMETRÍA. COMPARACIÓN DE TRES TÉCNICAS DE RESOLUCIÓN DEL PROBLEMA INVERSO
Congreso
Fecha:
2012Editorial y Lugar de Edición:
Universidad Nacional de SaltaISSN:
1666-6070Resumen *
En este trabajo se estudian tres métodos alternativos para resolver el problema inverso mal-condicionado (PIMC) que permite estimar la distribución de tamaños de partícula (PSD) en suspensiones coloidales a partir de mediciones de turbidimetría (T). El primer método utiliza una red neuronal de regresión generalizada (GRNN) entrenada a partir de un conjunto de patrones representados por distribuciones Gaussianas exponencialmente modificadas (EMG). El segundo método utiliza un esquema de mínimos cuadrados (LS) y representa a la PSD como una distribución EMG. Finalmente, el tercer método utiliza un esquema de regularización de Tikhonov (TR) y no requiere de ninguna suposición a priori con respecto a la forma de la PSD. Los tres métodos se comparan sobre la base del análisis de látex de poliestireno en agua con diámetros promedios de partícula de 50 nm, 100 nm, 200 nm y 500 nm, analizados con un espectrofotómetro estándar. A modo de comparación, las muestras también se analizaron mediante fotodensitometría centrífuga de disco (DCP). En la mayoría de los casos analizados, el método de TR produjo soluciones que exhiben múltiples modos espurios erróneos. Por el contrario, la parametrización utilizada en la GRNN y en el método de LS logró eliminar los modos espurios, obteniéndose estimaciones aceptables de la PSD en comparación con las obtenidas mediante DCP. Como ventaja adicional del método de GRNN, se destaca su elevada velocidad para determinar la PSD, ya que una vez entrenada la red, la estimación de la PSD obtenida a partir de una medición resulta casi instantánea. Información suministrada por el agente en SIGEVAPalabras Clave
PROBLEMA INVERSO MAL-CONDICIONADOTURBIDIMETRÍADISTRIBUCIÓN DE TAMAÑOS DE PARTÍCULAREGULARIZACIÓN DE TIKHONOVLATEXREDES NEURONALES DE REGRESIÓN GENERALIZADA