基于COSMO-RS描述符的机器学习方法在二元制冷剂混合物的汽液平衡与共沸行为预测中的应用

《International Journal of Refrigeration》：Prediction of Vapor–Liquid Equilibrium and Azeotropic Behavior of Binary Refrigerant Blends by Machine Learning with COSMO-RS-Based Descriptors

　　

• ●
  将COSMO-RS σ曲线与机器学习方法结合，用于预测制冷剂的蒸汽-液体平衡特性。
• ●
  构建了涵盖157种二元制冷剂系统的数据库。
• ●
  人工神经网络预测的蒸汽组成，测试平均绝对相对误差为3.45%。
• ●
  XGBoost模型识别共沸物的准确率为70.70%。
• ●
  SHAP方法将非极性σ曲线区域与蒸汽-液体平衡行为关联起来。

章节节选

引言

作为制冷循环中的工作介质，制冷剂直接决定了制冷系统的热力学性能和环境影响。随着《蒙特利尔议定书》和《基加利修正案》等国际法规的推进，传统的高臭氧消耗潜能值和高全球变暖潜能值的制冷剂正在逐渐被淘汰，制冷剂的发展方向也转向零臭氧消耗潜能值和低全球变暖潜能值的制冷剂（McLinden）

方法

图1展示了用于预测二元制冷剂混合物蒸汽-液体平衡特性的机器学习框架。该框架包括数据库构建、数据预处理、模型训练、性能评估以及系统预测等内容。该模型基于实验数据和分子描述符，采用数据驱动的方法来描述二元制冷剂混合物的蒸汽-液体平衡行为。

XGBoost与人工神经网络在蒸汽-液体平衡预测及共沸物分类中的比较

如图4（a）和（b）所示，XGBoost模型和人工神经网络模型在预测y₁值时都表现出不错的预测能力，因为大多数预测值都集中在对角线附近，残差也基本以零为中心。不过，人工神经网络模型的整体表现优于XGBoost模型。在实验值与预测值的对比中，人工神经网络模型的数据点更紧密地聚集在对角线上，这说明两者的一致性更高

结论

在本研究中，基于现有文献和实验数据，开发了一种用于预测二元制冷剂混合物蒸汽-液体平衡行为的机器学习框架。研究构建了包含157种二元制冷剂混合物的数据库，以COSMO-RS相关的描述符以及热力学参数和基本物理性质作为机器学习的输入特征。研究人员对人工神经网络和XGBoost两种模型进行了训练和性能评估，结果表明这两种模型都能较好地还原

CRediT作者贡献说明

费江：文章撰写——初稿、方法论、研究实施。尹子聪：正式分析、概念构建。张景鹏：方法论、研究实施、资金获取。罗杰林：资源协调、项目管理。吴伟东：结果验证、监督指导。江龙：结果可视化、研究实施。韩晓红：正式分析、数据整理。叶功然：文章撰写——审阅与编辑、资金获取。

费江|尹子聪|张景鹏|罗杰林|吴伟东|江龙|韩晓红|叶功然