摘 要: | 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(Tb)、临界温度(Tc)、临界压力(pc)、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、Tb、约化维纳指数,建立了预测烃类及卤代烃分子Tb,Tc,pc,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。
|