面向氟烯烃残差属性预测的数据驱动扩展对应态方法
机器学习
2025-07-30 v1
摘要
氟烯烃被认为是最具前景的下一代制冷剂，由于其极低的全球变暖潜值，可有效缓解全球变暖效应。然而，缺乏可靠的热力学数据阻碍了更新且更优氟烯烃制冷剂的发现和应用。本文整合了理论方法和数据驱动方法的优势，提出了一种神经网络扩展对应态模型，用于预测氟烯烃制冷剂的残差热力学属性。该方法的创新之处在于，通过纳入图神经网络模块并对模型体系结构进行专门设计，以增强其泛化能力。该模型使用已知可用的高精度流体数据进行训练，并通过留一交叉验证法进行评估。与传统的扩展对应态模型或三次方状态方程相比，所提出的模型在液态和超临界区域的密度和能量属性方差显著提高，密度平均绝对偏差分别为 1.49%（液态）和 2.42%（超临界），残余熵为 3.37% 和 2.50%，残余焓为 1.85% 和 1.34%。这些结果表明，将物理知识嵌入机器学习模型的有效性。所提出的神经网络扩展对应态模型有望显著加速新型氟烯烃制冷剂的发现。
引用
@article{arxiv.2507.21720,
title = {Data-Driven Extended Corresponding State Approach for Residual Property Prediction of Hydrofluoroolefins},
author = {Gang Wang and Peng Hu},
journal= {arXiv preprint arXiv:2507.21720},
year = {2025}
}