Estimation of the particle size distribution of colloids from multiangle dynamic light scattering measurements with particle swarm optimization

Estimación de distribución de tamaños de partículas de coloides a partir de mediciones de luz dinámica a múltiples ángulos con optimización por enjambre de partículas

En este artículo se presenta una aplicación del algoritmo de optimización por Enjambre de Partículas (PSO) para estimar la distribución de tamaños de partículas (DTP) de un sistema coloidal a partir de los diámetros medios obtenidos por dispersión de luz dinámica a múltiples ángulos. Dado que se trata de un problema inverso no lineal en el proceso de estimación el problema es regularizado por medio del método de regularización de Tikhonov y finalmente se soluciona con diferentes estrategias del algoritmo de PSO. La evaluación del algoritmo de PSO es realizada a través de tres ejemplos simulados correspondientes a látex de poliestireno con diferentes DTP y dos ejemplos experimentales obtenidos a partir de una simple mezcla de dos estándares de poliestirenos. En general todos los resultados de estimación del algoritmo de PSO son excelentes, en particular, el algoritmo con definición de parámetros de Trelea que presenta mejor desempeño que las otras implementaciones de PSO.

Introducción

La distribución del tamaño de las partículas (PSD) de un coloide es una característica importante para determinar varias propiedades de algunos materiales. Por ejemplo, en los látex poliméricos, la PSD afecta a las propiedades mecánicas cuando el látex se utiliza como adhesivo, pintura, revestimiento o tinta. También influye en los principales mecanismos fisicoquímicos que tienen lugar en algunos procesos de polimerización heterogénea, como las emulsiones y las dispersiones (Gilbert, 1995; Barandiaran et al., 2007).

La caracterización de la PSD de un coloide implica el procesamiento de la señal de las mediciones y normalmente la solución de un problema inverso mal condicionado (ICIP) (Kirsch, 1996; Tikhonov et al., 1977). En un ICIP, pequeños errores en las mediciones pueden causar cambios significativos en la solución buscada. Para resolver el ICIP es necesario utilizar técnicas de filtrado digital y, más concretamente, métodos de regularización y suavización para reducir el efecto de la inevitable presencia de ruidos de medición en las estimaciones. Además, los errores sistemáticos que surgen durante la modelización del proceso de medición pueden contribuir a deteriorar la solución. Estos inconvenientes limitan claramente la precisión de las predicciones.