《Fluid Phase Equilibria》：ANN-based estimation of pure-component parameters of PC-SAFT equation of state using quantum chemical data
編輯推薦：
為解決 PC-SAFT 狀態方程（EoS）純組分參數難以不依賴測量物性獲取的問題，研究人員開展基于人工神經網絡（ANN）預測該參數的研究。結果顯示，優化后的 ANN 可預測多種物質的參數，且發現極化率等影響較大。這有助于拓展 EoS 物性估算應用范圍。
在化學工程領域，物質的物理性質估算對于眾多工業過程和科學研究至關重要。其中，擾動鏈統計締合流體理論狀態方程（PC-SAFT EoS）憑借其廣泛的適用性，在計算各類物質的物理性質方面發揮著重要作用。然而，使用 PC-SAFT EoS 進行計算時，需要特定物質的純組分參數，而這些參數通常依賴液體密度和飽和蒸氣壓來確定。但目前相關研究較少，且缺乏不依賴測量物理性質獲取純組分參數的有效方法，這嚴重限制了 PC-SAFT EoS 在更廣泛領域的應用。
為了突破這一困境，來自未知研究機構的研究人員開展了一項極具創新性的研究。他們引入人工神經網絡（ANN）來預測 PC-SAFT EoS 的純組分參數，利用高斯軟件估算的分子信息作為輸入，并對 ANN 的結構進行優化。研究最終得出一系列重要結論，確定了最優的 ANN 結構，且發現極化率和偶極矩等對純組分參數的貢獻較大，不過研究也發現當前模型在預測精度和目標物質范圍方面仍存在挑戰。這一研究成果發表在《Fluid Phase Equilibria》上，為拓展基于 EoS 的物性估算應用范圍提供了新的思路和方法，對推動化學工程領域的發展具有重要意義 。
在研究過程中，研究人員主要運用了以下關鍵技術方法：首先，使用高斯軟件進行量子化學計算，獲取分子的多種信息，如偶極矩（μ）、極化率（α）等；其次，構建 ANN 模型，通過調整輸入層、隱藏層和輸出層的參數進行訓練和優化；最后，運用 SHapley Additive exPlanations（SHAP）分析，探究純組分參數與分子信息之間的關系。
研究結果
- 網絡結構優化：研究人員對 ANN 的結構進行優化，分別考察了不同數量的隱藏層、神經元以及多種轉移函數對預測精度的影響。結果發現，當隱藏層數量為一層時，隨著神經元數量增加，部分轉移函數會出現過擬合現象，但硬 sigmoid、softmax 等函數表現較好。進一步增加隱藏層數量至兩層時，綜合考慮訓練數據和驗證數據的預測精度，確定了包含兩個隱藏層，第一層 20 個神經元、第二層 10 個神經元且使用硬 sigmoid 轉移函數的網絡結構為最優結構。
- ANN 預測性能評估：利用優化后的 ANN 對 PC-SAFT EoS 的純組分參數進行預測，并與基于基團貢獻法構建的 ANN 和使用指紋作為輸入構建的 ANN 的預測結果對比。結果表明，本研究構建的 ANN 預測結果在所有參數上均不如前兩者。通過分析預測偏差較大的物質發現，這些物質種類多樣，且部分物質的多個純組分參數預測精度都較差，尤其是與物質大小和形狀相關的參數m（鏈段數）和σ（鏈段直徑）。
- 物理性質估算及影響因素分析：基于優化后的 ANN 預測的純組分參數進行物理性質估算，結果顯示估算結果存在較大誤差。通過 SHAP 分析發現，極化率α對所有參數的貢獻都較大，分子體積vm和分子量Mw等與物質大小相關的特征參數貢獻較小，而與物質能量相關的μ（偶極矩）、Q（四極矩）等參數貢獻較大。此外，研究還發現分子形狀相關參數對預測純組分參數至關重要，當前研究缺乏這類參數，這可能是導致預測精度不如現有 ANN 的原因。
研究結論與討論
本研究成功構建了使用分子信息作為輸入，預測 PC-SAFT EoS 純組分參數的 ANN 模型，并確定了最優結構。雖然該模型在預測精度上不如基于基團貢獻法構建的 ANN，但它擴大了目標物質的范圍。通過 SHAP 分析，明確了各特征值對純組分參數的貢獻趨勢，發現極化率和偶極矩等對參數影響顯著，且當前研究在物質形狀相關特征參數方面存在缺失。
盡管本研究在預測精度和目標預測范圍方面仍面臨挑戰，但建立了數據庫、訓練了 ANN 并進行了 SHAP 分析，成功建立了分子性質與純組分參數之間的關系。未來研究可通過添加與物質形狀相關的特征，進一步優化該方法，有望提高預測精度，為 PC-SAFT EoS 在更廣泛領域的應用奠定基礎，推動相關領域的發展。
