A modelagem termodinâmica tem sido uma importante alternativa às práticas experimentais no teste de hipóteses e predição de propriedades de misturas, pois economiza tempo e capital. Neste trabalho, foram experimentados dois modelos para modelagem do equilíbrio de fases líquido-líquido: um modelo de energia de Gibbs em excesso, o modelo NRTL, e um modelo de aprendizado de máquina, regressão por florestas aleatórias. O objetivo foi comparar a performance de ambos na predição da composição das fases existentes na extração do ácido acético de soluções aquosas, compostas por uma mistura envolvendo um acetato, água e ácido acético. Para tanto, foram coletados dados de sistemas ternários compostos por água, ácido acético e por quatro diferentes ésteres, sendo eles os acetatos de butila, isobutila, amila e isoamila. Para o modelo NRTL, foram determinados conjuntos de parâmetros de interação binária por regressão e foi feita a aplicação destes parâmetros na predição das composições das fases em equilíbrio. Já para o modelo de florestas aleatórias, buscou-se um conjunto de hiperparâmetros capazes de treinar os modelos sem produzir superajuste e predizer as composições das fases em equilíbrio. Como resultado, foi observado que o modelo de florestas aleatórias possui algumas vantagens sobre o modelo NRTL, sendo possível fazer a predição de composições sem especificar o éster presente no sistema. Para alguns casos aqui expostos, o modelo NRTL não foi capaz de realizar a regressão, resultando em uma composição trivial e distante da experimental.

A thermodynamic modeling has an importance in experimental practices in testing alternatives and predicting properties of mixtures, as it saves time and capital. In this one, two working models for liquid-liquid equilibria were tried: NRTL models, an excess Gibbs energy model and a machine learning model called random forest. Te objective was compare the performance of both in the prediction of the composition of the phases in the extraction of acetic acid from aqueous solutions using an ester. For that, data from ternary systems were colected for systems composed by four esters: butyl, isobutyl, amyl and isoamyl acetates. For the NRTL model, sets of binary interaction parameters were configured per system and the prediction of the compositions of the phases in equilibrium was made. For the random forest model, a set of hyperparameters was searched, the model was trained and the compositions of the phases was predicted. As a result, it was observed that the random forest model has some advantages over the NRTL model, being possible to make a prediction of compositions without specifying the ester present in the system. For some cases here, the NRTL model was not able to perform the regression and predict the compositions for the phases in equilibrium, resulting in a trivial composition.