基于人工神经网络的工质基础物性预测

烃类及卤代烃是制冷及余热发电等热力学循环系统潜在的理想工质,但其数量繁多且多数物性参数未知,建立准确的物性预测模型对新型工质的开发至关重要。从多个公开数据库中收集了2 500多种烃类及卤代烃分子(含C,H,F,Cl)的基础物性参数,包括正常沸点(T_b)、临界温度(T_c)、临界压力(p_c)、偏心因子(ω),构建了一个工质物性数据库;进一步,通过改进基团贡献-人工神经网络(GC-ANN)的方法,模型的输入参数除基团频率外,还加入相对分子质量、T_b、约化维纳指数,建立了预测烃类及卤代烃分子T_b,T_c,p_c,ω的神经网络模型,所开发模型的预测误差小于传统的GC-ANN的误差。     

图神经网络预测烃类工质的热力学性质

有机朗肯循环(ORC)因其低温热电转换的能力而备受关注,寻找高效环保工质,以代替具有较高全球变暖潜能值(GWP)的氢氯氟烃(HCFC)和氢氟烃(HFC),是推动ORC应用的重要任务之一。构建一个基于图神经网络(GNN)的ORC烃类工质热力学性质预测模型,通过图神经网络学习分子结构的特征,并将分子结构信息与温度结合,利用多层感知机(MLP)构建热力学性质预测模型。模型基于2508种C₂～C₁₀的链状烃、环烃和芳香烃分子构建训练集,所得模型在预测临界温度、蒸发焓、气相摩尔热容和液相摩尔热容上均取得良好效果,优于文献的预测效果。此外,应用所得模型预测了超43万个氢氟烯烃(HFO)的热力学性质。