基于边缘玻尔兹曼模型的图神经网络用于蒸发液相平衡预测
化学物理
2025-02-27 v1 机器学习
摘要
预测性热力学模型对于产品和工艺设计的早期阶段至关重要。本文分析了将图神经网络（GNN）嵌入相对简单且赫氏能模型——扩展赫氏模型中，用于预测蒸发液相平衡的性能。通过将其性能与既定的UNIFAC-Dortmund模型进行比较，我们发现赫氏模型中嵌入的GNN整体精度较低。然而，在各种类型二进制混合物的情况下观察到的精度更高。此外，由于分子碎片化可行性或参数可用性的限制，类群贡献方法（如UNIFAC）有限，而赫氏模型中的GNN为VLE估计提供了一种替代方案。这些发现为单纯基于无稀释数据训练的简单赫氏能模型可实现的预测精度基准提供了依据。
引用
@article{arxiv.2502.18998,
title = {Graph Neural Networks embedded into Margules model for vapor-liquid equilibria prediction},
author = {Edgar Ivan Sanchez Medina and Kai Sundmacher},
journal= {arXiv preprint arXiv:2502.18998},
year = {2025}
}