METODI PREDITTIVI PER LE PROPRIETÀ CRITICHE DI FLUIDI PER APPLICAZIONI ENERGETICHE SOSTENIBILI

This thesis work is situated within the context of the energy transition, where the design of sustainable processes and the use of biofuels require accurate knowledge of the thermophysical properties of the fluids involved. Given the scarcity of experimental data for long-chain molecules, the development of reliable predictive methods has become a primary engineering necessity, aimed primarily at the extrapolation of values beyond the range currently available in literature and freely accessible.The objective of this research was the implementation and validation of algorithms developed in a Python environment for the estimation of the critical temperature ($T_c$) and critical pressure ($P_c$) of n-alkanes. The core of the work lies in comparing the predictive capability of the main Group Contribution Methods (GCM), a model based on Artificial Neural Networks (ANN-GCM), and the Asymptotic Behavior Correlation (ABC) model.These models were analyzed through comparative graphs integrating experimental data collected from accredited databases, including NIST; this allowed for an accurate visual analysis supported by the calculation of rigorous statistical parameters, ensuring high reliability for the obtained results. While the direct comparison with experimental data allowed for the validation of the models' accuracy, the graphical analysis proved fundamental for evaluating their extrapolation capability in regions lacking experimental feedback.In conclusion, the study demonstrates how the integration of advanced computational tools and predictive methods provides an efficient and robust strategy for predicting critical properties, offering fundamental support for the modeling of fluids intended for sustainable energy applications.

Il presente lavoro di tesi si inserisce nel contesto della transizione energetica, dove la progettazione di processi sostenibili e l’impiego di biocombustibili richiedono una conoscenza accurata delle proprietà termofisiche dei fluidi coinvolti. Data la scarsità di dati sperimentali per molecole a catena lunga, lo sviluppo di metodi predittivi affidabili diviene una necessità ingegneristica primaria, mirata soprattutto all'estrapolazione di valori oltre il range attualmente disponibile in letteratura e gratuitamente accessibile. L’obiettivo della ricerca è stato l’implementazione e la validazione di algoritmi sviluppati in ambiente Python per la stima della temperatura critica (Tc) e della pressione critica (Pc) degli n-alcani. Il nucleo centrale del lavoro risiede nel confronto della capacità predittiva dei principali Metodi a Contributi di Gruppo (GCM), del modello basato su Reti Neurali Artificiali (ANN-GCM) e del modello della Correlazione Asintotica del Comportamento (ABC). Tali modelli sono stati analizzati attraverso grafici comparativi integranti i dati sperimentali raccolti da database accreditati, tra cui il NIST; ciò ha permesso un’accurata analisi visiva affiancata dal calcolo di parametri statistici rigorosi, garantendo elevata attendibilità ai risultati ottenuti. Mentre il confronto diretto con i dati sperimentali ha permesso di validare l’accuratezza dei modelli, l’analisi grafica è risultata fondamentale per valutarne la capacità di estrapolazione nelle regioni prive di riscontro sperimentale. In conclusione, lo studio dimostra come l'integrazione di strumenti di calcolo avanzati e metodi predittivi fornisca una strategia efficiente e robusta per la predizione delle proprietà critiche, offrendo un supporto fondamentale per la modellazione di fluidi destinati ad applicazioni energetiche sostenibili.