基于Clapeyron方程的单组分蒸发-液相平衡神经网络
化学物理
2026-02-23 v1 机器学习
摘要
机器学习方法在预测化学工艺设计相关分子性质方面显示出前景，但常受限于稀缺的实验性质数据和缺乏热力学一致性。因此，已提出将热力学关系纳入损失函数作为正则化项的热力学信息化机器学习方法。我们在此将Gibbs-Duhem方程的热力学信息化图神经网络(GNN)概念转移到Clapeyron方程上，预测多个纯组分性质：蒸发压、液态摩尔体积、气态摩尔体积和汽化焓。我们发现Clapeyron-GNN在预测准确度方面优于单任务学习设置，在Clapeyron方程逼近方面优于纯数据驱动的多任务学习设置。事实上，我们观察到对于数据可得性最低的性质，预测准确度提升最大，使该模型在化学工程实践中数据稀缺的场景下具有潜在应用价值。
引用
@article{arxiv.2602.18313,
title = {Clapeyron Neural Networks for Single-Species Vapor-Liquid Equilibria},
author = {Jan Pavšek and Alexander Mitsos and Elvis J. Sim and Jan G. Rittig},
journal= {arXiv preprint arXiv:2602.18313},
year = {2026}
}