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。