基于汉森参数与遗传算法优化的机器学习模型：突破水相有机物表面张力预测壁垒

本研究开发了一种基于多层感知器人工神经网络（MLPANN）的通用预测模型，通过遗传算法（GA）优化架构，仅需温度、组分、分子量和汉森溶解度参数（HSPs）等易获取输入，即可精准预测水相有机溶液表面张力（AARD<3.53%），在CO2捕集、制药、能源等领域具有显著应用价值。

　　

亮点

所选混合物与温度范围

本研究筛选了多种二元水相有机混合物，主要基于两大原因：首先，这些体系广泛存在于工业与环境过程中，精准预测其表面张力具有重大实际意义；其次，它们展现了多样的分子相互作用——有些是非极性的，有些是强极性的；有些能形成强氢键，有些则不能。这些差异导致了多变且复杂的热力学行为。

验证

我们从文献中收集了总共385个实验表面张力数据点。为确保模型评估的稳健性，数据集被随机分为两个子集：319个数据点用于训练，66个数据点用于测试。测试数据完全排除在训练之外，以评估模型的泛化能力。在训练集内，数据进一步随机分为75%用于模型训练，25%用于内部验证，以优化超参数并防止过拟合。

结论

本研究旨在开发一种实用、精确、通用且直接的方法，用于预测多种水相有机系统的表面张力。我们开发并优化了一个多层感知器人工神经网络（MLPANN），使用遗传算法（GA）进行优化，输入仅限于易于获取且具有物理意义的变量：温度、组成、分子量和汉森溶解度参数（HSPs）。这种最简输入集确保了模型的简洁性，同时保持了其预测能力和广泛的适用性。