DOI:

https://doi.org/10.14483/23448350.18052

Publicado:

2021-09-30

Número:

Vol. 42 Núm. 3 (2021): septiembre-diciembre

Sección:

Ciencia y Tecnología

Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos

Simple and Generalized Model to Estimate the Thermal Conductivity of Ionic Liquids

Autores/as

Palabras clave:

correlation, empirical model, ionic liquids, mixtures, prediction, thermal conductivity (en).

Palabras clave:

conductividad térmica, correlación, líquidos iónicos, mezclas, modelo empírico, predicción (es).

Descargas

Resumen (es)

En este trabajo se generaliza un modelo empírico para predecir la conductividad térmica de líquidos iónicos. Inicialmente se realiza una recopilación de datos experimentales con diferentes tipos de aniones y cationes. En total, se evalúan 38 líquidos iónicos (28 sustancias para correlación y 10 sustancias para predicción) que corresponden a 265 datos experimentales. Los rangos de temperatura varían entre 273 K y 390 K a presión atmosférica (1 atm). Los parámetros del modelo son generalizados, utilizando 215 datos experimentales y las desviaciones promedio son de 4.72 %. Posteriormente, se evalúan las capacidades predictivas en 50 datos experimentales con desviaciones promedio de 3.48 %. El modelo generalizado es extendido a mezclas binarias utilizando una regla de mezcla simple con un parámetro de interacción y la desviación absoluta es de 0.77 %. Finalmente, el modelo es comparado con otros en la literatura y los resultados estadísticos muestran que proporciona resultados aceptables.

Resumen (en)

In this work, an empirical model is generalized to predict the thermal conductivity of ionic liquids. Initially, experimental data are collected, which include different types of anions and cations. A total of 38 ionic liquids are evaluated (28 substances for correlation and 10 substances for prediction), which corresponds to 265 experimental data. The temperature ranges vary between 273 and 390 K at atmospheric pressure (1 atm). The model is generalized using 215 experimental data, and the average deviation is around 4.72%. Then, the predictive capabilities are evaluated in 50 experimental data with an average deviation of 3.48%. The generalized model is extended to binary mixtures using a simple mixing rule with an interaction parameter, and the absolute deviation is 0.77%. Finally, the generalized model is compared with others developed in the literature, and the statistical analysis shows that it provides acceptable results.

Referencias

Asensio-Delgado, S., Jovell, D., Zarca, G., Urtiaga, A., Llovell, F. (2020). Thermodynamic and process modeling of the recovery of R410A compounds with ionic liquids. International Journal of Refrigeration, 118, 365-375. https://doi.org/10.1016/j.ijrefrig.2020.04.013

Akhgar, A., Toghraie, D., Sina, N., Afrand, M. (2019). Developing dissimilar artificial neural networks (ANNs) to prediction the thermal conductivity of MWCNT-TiO2/Water-ethylene glycol hybrid nanofluid. Powder Technology, 355, 602-610. https://doi.org/10.1016/j.powtec.2019.07.086

Alvarez-Guerra, M., Luis, P., Irabien, A. (2011). Modelo de contribución de grupos para la estimación de la ecotoxicidad de líquidos iónicos. Afinidad, 68(551), 20-24

Bloxham, J. C., Redd, M. E., Giles, N. F., Knotts IV, T. A., Wilding, W. V. (2021). Proper use of the DIPPR 801 database for creation of models, methods, and processes. Journal of Chemical & Engineering Data, 66(1), 3-10. https://doi.org/10.1021/acs.jced.0c00641

Bonyadi, M., Rostami, M. (2017). A new viscosity model based on Soave-Redlich-Kwong equation of state. Fluid Phase Equilibria, 451, 40-47. https://doi.org/10.1016/j.fluid.2017.07.009

Bhunia, P., Ghangrekar, M. M. (2008). Analysis, evaluation, and optimization of kinetic parameters for performance appraisal and design of UASB reactors. Bioresource Technology, 99(7), 2132-2140. https://doi.org/10.1016/j.biortech.2007.05.053

Burke, J. A. (2006). Two mathematical programming models of cheese manufacture. Journal of Dairy Science, 89(2), 799-809. https://doi.org/10.3168/jds.S0022-0302(06)72142-7

Cardona, L. F. (2016). Nueva correlación generalizada para estimar la presión de vapor. Revista Científica, 25(2), 280-289. https://doi.org/10.14483//udistrital.jour.RC.2016.25.a11

Cardona, L. F., Forero, L. A., Velásquez, J. A. (2019). Correlation and prediction of thermal conductivity using the Redlich-Kwong cubic equation of state and the geometric similitude concept for pure substances and mixtures. Industrial & Engineering Chemistry Research, 58(51), 23417-23437. https://doi.org/10.1021/acs.iecr.9b04974

Cardona, L. F., Valderrama, J. O. (2020a). Physical and transport properties of ionic liquids using the geometric similitude concept and a cubic equation of state. Part 1: Thermal conductivity and speed of sound of pure substances. Journal of Molecular Liquids, 315. https://doi.org/10.1016/j.molliq.2020.113681

Cardona, L. F., Valderrama, J. O. (2020b). Surface tension of mixtures containing ionic liquids based on an equation of state and on the geometric similitude concept. Ionics, 26(12), 6095-6118. https://doi.org/10.1007/s11581-020-03697-0

Castillo, F. (2015). Líquidos iónicos: métodos de síntesis y aplicaciones. ConCiencia Tecnológica, 49, 52-56

Chen, Z., Akbari, M., Forouharmanesh, F., Keshani, M., Akbari, M., Afrand, M., Karimipour, A. (2020). A new correlation for predicting the thermal conductivity of liquid refrigerants. Journal of Thermal Analysis and Calorimetry, 143, 795-800. https://doi.org/10.1007/s10973-019-09238-w

Daubert, T. E. (1998). Evaluated equation forms for correlating thermodynamic and transport properties with temperature. Industrial & Engineering Chemistry Research, 37(8), 3260-3267. https://doi.org/10.1021/ie9708687

Díaz-Parra, O., Vera-López, E. (2018). Simulación de áreas de alta consecuencia para gasoductos. Científica, 31(1), 32-44. https://doi.org/10.14483/23448350.12513

Dong, Q., Kazakov, A., Muzny, C., Chirico, R., Widegren, J., Diky, V., Magee, J., Marsh, K., Frenkel, M. (2007). ILThermo: A free-access web database for thermodynamic properties of ionic liquids. Journal of Chemical & Engineering Data, 52(4), 1151-1159. https://doi.org/10.1021/je700171f

Fang, H., Ni, K., Wu, J., Li, J., Huang, L., Reible, D. (2019). The effects of hydrogen bonding on the shear viscosity of liquid water. International Journal of Sediment Research, 34(1), 8-13. https://doi.org/10.1016/j.ijsrc.2018.10.008

Fröba, A. P., Rausch, M. H., Krzeminski, K., Assenbaum, D., Wasserscheid, P., Leipertz, A. (2010). Thermal conductivity of ionic liquids: Measurement and prediction. International Journal of Thermophysics, 31(11), 2059-2077. https://doi.org/10.1007/s10765-010-0889-3

Frez, C., Diebold, G. J., Tran, C. D., Yu, S. (2006). Determination of thermal diffusivities, thermal conductivities, and sound speeds of room-temperature ionic liquids by the transient grating technique. Journal of Chemical & Engineering Data, 51(4), 1250-1255. https://doi.org/10.1021/je0600092

Gardas, R. L., Coutinho, J. A. (2009). Group contribution methods for the prediction of thermophysical and transport properties of ionic liquids. AIChE Journal, 55(5), 1274-1290. https://doi.org/10.1002/aic.11737

Ge, R., Hardacre, C., Nancarrow, P., Rooney, D. W. (2007). Thermal conductivities of ionic liquids over the temperature range from 293 K to 353 K. Journal of Chemical & Engineering Data, 52(5), 1819-1823. https://doi.org/10.1021/je700176d

Godsen, S. (2002). Optimization analysis of projectile motion using spreadsheets. The Physics Teacher, 40(9), 523-525. https://doi.org/10.1119/1.1534816

Hezave, A. Z., Raeissi, S., Lashkarbolooki, M. (2012). Estimation of thermal conductivity of ionic liquids using a perceptron neural network. Industrial & Engineering Chemistry Research, 51(29), 9886-9893. https://doi.org/10.1021/ie202681b

Hopp, M., Gross, J. (2019). Thermal conductivity from entropy scaling: A group-contribution method. Industrial & Engineering Chemistry Research, 58(44), 20441-20449. https://doi.org/10.1021/acs.iecr.9b04289

Huang, H.-J., Lin, W., Ramaswamy, S., Tschirner, U. (2009). Process modeling of comprehensive integrated forest biorefinery: An integrated approach. Applied Biochemistry and Biotechnology, 154(1), 26-37. https://doi.org/10.1007/s12010-008-8478-7

Huang, Y., Zhang, X., Zhao, Y., Zeng, S., Dong, H., Zhang, S. (2015). New models for predicting thermophysical properties of ionic liquid mixtures. Physical Chemistry Chemical Physics, 17(40), 26918-26929. https://doi.org/10.1039/C5CP03446A

Iglesias, O. A., Pastor, J., Henseler, A., Bertolini, R., Soto, J. D., Paniagua, C. N. (2004). Spreadsheet use in conceptual design of chemical processes. International Journal of Engineering Education, 20(6), 999-1004

Kazakov A., Magee J.W., Chirico R.D., Paulechka E., Diky V., Muzny C.D., Kroenlein K., Frenkel M. (s. f.). NIST Standard Reference Database 147: NIST Ionic Liquids Database (ILThermo), Version 2.0. Gaithersburg, MD: National Institute of Standards and Technology. http://ilthermo.boulder.nist.gov

Kemmer, G., Keller, S. (2010). Nonlinear least-squares data fitting in Excel spreadsheets. Nature Protocols, 5(2), 267-281. https://doi.org/10.1038/nprot.2009.182

Lasdon, L. S., Waren, A. D., Jain, A., Ratner, M. (1978). Design and testing of a generalized reduced gradient code for nonlinear programming. ACM Transactions on Mathematical Software, 4(1), 34-50. https://doi.org/10.1145/355769.355773

Minea, A. A. (2020). Overview of ionic liquids as candidates for new heat transfer fluids. International Journal of Thermophysics, 41. https://doi.org/10.1007/s10765-020-02727-3

Poling, B. E., Prausnitz, J. M., O’Connell, J. P. (2001). Properties of Gases and Liquids. Nueva York: McGraw-Hill Education

Ranjbarzadeh, R., Moradikazerouni, A., Bakhtiari, R., Asadi, A., Afrand, M. (2019). An experimental study on stability and thermal conductivity of water/silica nanofluid: Eco-friendly production of nanoparticles. Journal of Cleaner Production, 206, 1089-1100. https://doi.org/10.1016/j.jclepro.2018.09.205

Rivas, A., Gómez‐Acebo, T., Ramos, J. C. (2006). The application of spreadsheets to the analysis and optimization of systems and processes in the teaching of hydraulic and thermal engineering. Computer Applications in Engineering Education, 14(4), 256-268. https://doi.org/10.1002/cae.20085

Tomassetti, S., Coccia, G., Pierantozzi, M., Di Nicola, G. (2020). Correlations for liquid thermal conductivity of low GWP refrigerants in the reduced temperature range 0.4 to 0.9 from saturation line to 70 MPa. International Journal of Refrigeration, 117, 358-368. https://doi.org/10.1016/j.ijrefrig.2020.05.004

Tomida, D., Kenmochi, S., Tsukada, T., Qiao, K., Bao, Q., Yokoyama, C. (2012). Viscosity and thermal conductivity of 1-hexyl-3-methylimidazolium tetrafluoroborate and 1-octyl-3-methylimidazolium tetrafluoroborate at pressures up to 20 MPa. International Journal of

Thermophysics, 33(6), 959-969. https://doi.org/10.1007/s10765-012-1233-x

Valderrama, J. O., Álvarez, V. H. (2005). Correct way of reporting results when modelling supercritical phase equilibria using equations of state. The Canadian Journal of Chemical Engineering, 83(3), 578-581. https://doi.org/10.1002/cjce.5450830323

Valderrama, J. O., Forero, L. A., Rojas, R. E. (2019a). Critical properties of metal-containing ionic liquids. Industrial & Engineering Chemistry Research, 58(17), 7332-7340. https://doi.org/10.1021/acs.iecr.9b00279

Valderrama, J. O., Cardona, L. F., Rojas, R. E. (2019b). Correlation of ionic liquid viscosity using Valderrama-Patel-Teja cubic equation of state and the geometric similitude concept. Part II: Binary mixtures of ionic liquids. Fluid Phase Equilibria, 497, 178-194. https://doi.org/10.1016/j.fluid.2019.04.034

Cómo citar

APA

Cardona-Palacio, L.-F. (2021). Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos. Revista Científica, 42(3), 276–289. https://doi.org/10.14483/23448350.18052

ACM

[1]
Cardona-Palacio, L.-F. 2021. Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos. Revista Científica. 42, 3 (sep. 2021), 276–289. DOI:https://doi.org/10.14483/23448350.18052.

ACS

(1)
Cardona-Palacio, L.-F. Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos. Rev. Cient. 2021, 42, 276-289.

ABNT

CARDONA-PALACIO, L.-F. Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos. Revista Científica, [S. l.], v. 42, n. 3, p. 276–289, 2021. DOI: 10.14483/23448350.18052. Disponível em: https://revistas.udistrital.edu.co/index.php/revcie/article/view/18052. Acesso em: 24 oct. 2021.

Chicago

Cardona-Palacio, Luis-Fernando. 2021. «Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos». Revista Científica 42 (3):276-89. https://doi.org/10.14483/23448350.18052.

Harvard

Cardona-Palacio, L.-F. (2021) «Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos», Revista Científica, 42(3), pp. 276–289. doi: 10.14483/23448350.18052.

IEEE

[1]
L.-F. Cardona-Palacio, «Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos», Rev. Cient., vol. 42, n.º 3, pp. 276–289, sep. 2021.

MLA

Cardona-Palacio, L.-F. «Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos». Revista Científica, vol. 42, n.º 3, septiembre de 2021, pp. 276-89, doi:10.14483/23448350.18052.

Turabian

Cardona-Palacio, Luis-Fernando. «Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos». Revista Científica 42, no. 3 (septiembre 30, 2021): 276–289. Accedido octubre 24, 2021. https://revistas.udistrital.edu.co/index.php/revcie/article/view/18052.

Vancouver

1.
Cardona-Palacio L-F. Modelo simple y generalizado para estimar la conductividad térmica de líquidos iónicos. Rev. Cient. [Internet]. 30 de septiembre de 2021 [citado 24 de octubre de 2021];42(3):276-89. Disponible en: https://revistas.udistrital.edu.co/index.php/revcie/article/view/18052

Descargar cita

Visitas

54

Dimensions


PlumX


Descargas

Los datos de descargas todavía no están disponibles.