Improving the prediction of irrigated pressure drop in packed absorption towers

Authors


Abstract

Various tools estimating irrigated pressure drop in gas–liquid counter-current randomly dumped packed beds are carefully examined through the perception of a comprehensive database. The reported measurements consisting of Cs. 5000 experiments represent an important portion of the non-proprietary information released in the literature. Artificial neural network (ANN) modeling is proposed to refine the accuracy and broadness in predicting the irrigated pressure drop across the bed. The ANN correlation [fLCC = f(ReG, GaG, ReL, GaL, StL, SB, χ)] yields an average absolute relative error (AARE) of 20.0% and a standard deviation on the AARE of 19.8% for the whole database and remains in accordance with the physical evidence reported in the literature.

Abstract

Divers outils estimant la perte de charge irriguée dans des lits garnis à empilement aléatoire à contre courant sont soigneusement examinés à travers la perception d'une base de données complète. Les mesures indiquées, qui consistent en environ 5000 expériences, représentent une part importante de l'information non confidentielle publiée dans la littérature scientifique. On propose la modélisation par réseaux neuronaux artificiels (ANN) pour améliorer l'exactitude et l'envergure dans la prédiction de la perte de charge irriguée dans le lit. La corrélation ANN [fLGG = f(ReG, GaG, ReL, GaL, StL, SB, χ)] donne une erreur relative absolue moyenne (AARE) de 20,0% et un écart type sur l'AARE de 19,8% pour l'ensemble de la base de données et demeure en accord avec les preuves physiques mentionnées dans la littérature scientifique.

Ancillary