SPT-NRTL：一种预测热力学一致活度系数的物理引导机器学习模型
化学物理
2023-09-22 v2 机器学习
摘要
性质数据的可用性是化学工艺发展中的主要瓶颈之一，这通常需要耗时且昂贵的实验，或者将设计空间限制在少数已知分子中。这一瓶颈一直是持续发展预测性性质模型的动力。对于新分子的性质预测，基团贡献方法具有开创性。近年来，机器学习加入了更为成熟的性质预测模型行列。然而，尽管近期取得了成功，将物理约束整合到机器学习模型中仍然具有挑战性。物理约束对许多热力学性质至关重要，例如 Gibbs-Duhem 关系，这给预测引入了额外的复杂性。在此，我们引入了 SPT-NRTL，一种用于预测热力学一致活度系数的机器学习模型，并提供 NRTL 参数以便在过程模拟中轻松使用。结果表明，SPT-NRTL 在所有官能团的活度系数预测中均比 UNIFAC 具有更高的准确度，并且能够以接近实验的准确度预测许多气液平衡，正如水/乙醇和氯仿/正己烷这两个示例混合物所展示的那样。为了便于 SPT-NRTL 的应用，使用 SPT-NRTL 计算了 100,000,000 种混合物的 NRTL 参数，并在线提供。
引用
@article{arxiv.2209.04135,
title = {SPT-NRTL: A physics-guided machine learning model to predict thermodynamically consistent activity coefficients},
author = {Benedikt Winter and Clemens Winter and Timm Esper and Johannes Schilling and André Bardow},
journal= {arXiv preprint arXiv:2209.04135},
year = {2023}
}
备注
NRTL parameters for 100 000 000 are currently hosted here: https://polybox.ethz.ch/index.php/s/unM7rbgj2FQPFdy