编辑推荐：
为解决 PC-SAFT 状态方程（EoS）纯组分参数难以不依赖测量物性获取的问题，研究人员开展基于人工神经网络（ANN）预测该参数的研究。结果显示，优化后的 ANN 可预测多种物质的参数，且发现极化率等影响较大。这有助于拓展 EoS 物性估算应用范围。
在化学工程领域，物质的物理性质估算对于众多工业过程和科学研究至关重要。其中，扰动链统计缔合流体理论状态方程（PC-SAFT EoS）凭借其广泛的适用性，在计算各类物质的物理性质方面发挥着重要作用。然而，使用 PC-SAFT EoS 进行计算时，需要特定物质的纯组分参数，而这些参数通常依赖液体密度和饱和蒸气压来确定。但目前相关研究较少，且缺乏不依赖测量物理性质获取纯组分参数的有效方法，这严重限制了 PC-SAFT EoS 在更广泛领域的应用。
为了突破这一困境，来自未知研究机构的研究人员开展了一项极具创新性的研究。他们引入人工神经网络（ANN）来预测 PC-SAFT EoS 的纯组分参数，利用高斯软件估算的分子信息作为输入，并对 ANN 的结构进行优化。研究最终得出一系列重要结论，确定了最优的 ANN 结构，且发现极化率和偶极矩等对纯组分参数的贡献较大，不过研究也发现当前模型在预测精度和目标物质范围方面仍存在挑战。这一研究成果发表在《Fluid Phase Equilibria》上，为拓展基于 EoS 的物性估算应用范围提供了新的思路和方法，对推动化学工程领域的发展具有重要意义 。
在研究过程中，研究人员主要运用了以下关键技术方法：首先，使用高斯软件进行量子化学计算，获取分子的多种信息，如偶极矩（μ）、极化率（α）等；其次，构建 ANN 模型，通过调整输入层、隐藏层和输出层的参数进行训练和优化；最后，运用 SHapley Additive exPlanations（SHAP）分析，探究纯组分参数与分子信息之间的关系。
研究结果
- 网络结构优化：研究人员对 ANN 的结构进行优化，分别考察了不同数量的隐藏层、神经元以及多种转移函数对预测精度的影响。结果发现，当隐藏层数量为一层时，随着神经元数量增加，部分转移函数会出现过拟合现象，但硬 sigmoid、softmax 等函数表现较好。进一步增加隐藏层数量至两层时，综合考虑训练数据和验证数据的预测精度，确定了包含两个隐藏层，第一层 20 个神经元、第二层 10 个神经元且使用硬 sigmoid 转移函数的网络结构为最优结构。
- ANN 预测性能评估：利用优化后的 ANN 对 PC-SAFT EoS 的纯组分参数进行预测，并与基于基团贡献法构建的 ANN 和使用指纹作为输入构建的 ANN 的预测结果对比。结果表明，本研究构建的 ANN 预测结果在所有参数上均不如前两者。通过分析预测偏差较大的物质发现，这些物质种类多样，且部分物质的多个纯组分参数预测精度都较差，尤其是与物质大小和形状相关的参数m（链段数）和σ（链段直径）。
- 物理性质估算及影响因素分析：基于优化后的 ANN 预测的纯组分参数进行物理性质估算，结果显示估算结果存在较大误差。通过 SHAP 分析发现，极化率α对所有参数的贡献都较大，分子体积vm和分子量Mw等与物质大小相关的特征参数贡献较小，而与物质能量相关的μ（偶极矩）、Q（四极矩）等参数贡献较大。此外，研究还发现分子形状相关参数对预测纯组分参数至关重要，当前研究缺乏这类参数，这可能是导致预测精度不如现有 ANN 的原因。
研究结论与讨论
本研究成功构建了使用分子信息作为输入，预测 PC-SAFT EoS 纯组分参数的 ANN 模型，并确定了最优结构。虽然该模型在预测精度上不如基于基团贡献法构建的 ANN，但它扩大了目标物质的范围。通过 SHAP 分析，明确了各特征值对纯组分参数的贡献趋势，发现极化率和偶极矩等对参数影响显著，且当前研究在物质形状相关特征参数方面存在缺失。
尽管本研究在预测精度和目标预测范围方面仍面临挑战，但建立了数据库、训练了 ANN 并进行了 SHAP 分析，成功建立了分子性质与纯组分参数之间的关系。未来研究可通过添加与物质形状相关的特征，进一步优化该方法，有望提高预测精度，为 PC-SAFT EoS 在更广泛领域的应用奠定基础，推动相关领域的发展。
