《Fluid Phase Equilibria》：Parameterisation of equations of state for polymers: From experimental approaches to machine learning
编辑推荐：
哈桑·伊斯梅尔（Hasan Ismaeel）|埃莱奥诺拉·里奇（Eleonora Ricci）|玛丽亚·格拉齐亚·德安杰利斯（Maria Grazia De Angelis）摘要采用基于格子模型或硬球模型的状态方程（EoS）已成为分析聚合物及其混合物行为的常用且可靠的方法，在聚合
哈桑·伊斯梅尔（Hasan Ismaeel）|埃莱奥诺拉·里奇（Eleonora Ricci）|玛丽亚·格拉齐亚·德安杰利斯（Maria Grazia De Angelis）
摘要
采用基于格子模型或硬球模型的状态方程（EoS）已成为分析聚合物及其混合物行为的常用且可靠的方法，在聚合物的制造、应用和生命周期管理过程中发挥着关键作用。虽然状态方程能够提供关于聚合物相的可靠且全面的描述，但其参数必须首先通过纯聚合物的数据来获取。这一要求限制了它们的预测能力，尤其是对于那些无法在特定操作范围内进行测试或尚未被制备的聚合物。在过去的25年里，人们开发了多种策略来克服这些限制，包括使用群贡献方法（Group Contribution methods）、分子模拟（Molecular simulations）和机器学习技术（Machine learning techniques）。本文评估了确定聚合物状态方程参数的最成功的实验和计算方法，特别强调了毛里齐奥·费尔梅利亚教授（Professor Maurizio Fermeglia）和萨布丽娜·普里克莱教授（Professor Sabrina Pricl）在推广基于原子级模拟的多尺度方法方面所做的工作（Fermeglia和Pricl，1999年）。分析首先介绍了用于收集纯聚合物数据的实验方法，然后探讨了涉及分子动力学（Molecular Dynamics, MD）的技术，这些技术能够通过分子定义或生成合成实验数据来直接估计参数。此外，本文还讨论了仅从聚合物单体单元的化学结构出发推导参数的方法，特别是群贡献（Group Contribution, GC）方法。值得注意的是，机器学习在这些过程中已成为一种强大的工具，它能够直接从单体的结构特征计算状态方程参数，例如最近提出的基于机器学习的非平衡格子流体模型群贡献方法（ML-GC-NELF）以及用于扰动链统计关联流体理论（Perturbed Chain Statistical Associating Fluid Theory, PC-SAFT）状态方程的物理信息神经网络（MLP）。
