含杂质多组分CO2混合物相平衡与界面性质的机器学习预测:面向CO2输送应用

《Industrial & Engineering Chemistry Research》:Machine Learning-Based Prediction of Phase Equilibria and Interfacial Properties of Multicomponent CO2 Mixtures with Impurities: Application to CO2 Transportation

【字体: 大 中 小 】 时间:2026年08月29日 来源:Industrial & Engineering Chemistry Research 3.9

编辑推荐:

  捕获CO2中的杂质会拓宽两相包络区、降低界面张力(IFT)并影响密相安全输送。这些性质难以实验测量,且基于分子模拟计算成本高昂。研究人员提出了首个针对含杂质CO2相平衡与界面性质的系统性机器学习(ML)代理框架,其训练数据来自扰动链极性统计关联流体理论(PCP

  
捕获CO2中的杂质会拓宽两相包络区、降低界面张力(IFT)并影响密相安全输送。这些性质难以实验测量,且基于分子模拟计算成本高昂。研究人员提出了首个针对含杂质CO2相平衡与界面性质的系统性机器学习(ML)代理框架,其训练数据来自扰动链极性统计关联流体理论(PCP-SAFT)状态方程(EoS)结合经典密度泛函理论(cDFT)的计算结果。在该框架中,超参数优化的表格先验数据拟合网络(TabPFN)最准确地预测泡点压力Pbubble、露点压力Pdew、IFT及界面厚度。对于IFT,研究人员将Winterfeld–Scriven–Davis关联式与基于ML的残差修正相结合;采用随机变分高斯过程回归(SVGP)的混合模型将IFT的均方根误差(RMSE)降至0.02 mN m–1,符号回归进一步给出了该修正项的可解释表达式。针对CO2富集合成采样,主动学习是最高效的数据策略。训练后的代理模型预测单个状态点约需1–5 ms,而cDFT需约0.18–1.8 s,从而可为计算流体力学(CFD)、逆向设计及模拟与实验规划提供快速性质估算。
研究背景方面,CO2捕集后通常含有N2、O2、Ar、H2、CH4、CO、H2S等输送相关杂质,这些杂质会拓宽两相包络、降低界面张力(IFT,表征气泡与液滴形成稳定性的关键界面性质),影响密相输送安全。稳态运行虽要求维持密相单相,但启停、泄压等瞬态操作易诱发两相流,此时准确获知相平衡与IFT对CFD模拟质量流量与延性断裂风险至关重要。实验测定IFT成本高、MD模拟计算昂贵,EoS结合cDFT虽准确但逐点求解Euler–Lagrange方程仍耗时,难以支撑CFD中反复调用。因此研究人员开展本研究,以PCP-SAFT EoS+cDFT为物理引擎生成数据,构建ML代理模型,实现毫秒级性质预测。论文发表于《Industrial & Engineering Chemistry Research》。
关键技术方法上,研究人员以FeOs v0.9.5框架耦合PCP-SAFT EoS与cDFT,对CO2摩尔分数95–99.99%、含7种杂质的二元至八元组系,在温度压力网格上求解密度剖面得泡点压力Pbubble、露点压力Pdew、IFT与界面厚度L1090,组成为Dirichlet采样于六维杂质单形。ML侧采用SVM(SVR-RBF)、随机森林(RF)、XGBoost(XGB)、TabPFN及RF-TabPFN,输入仅T、P、z;IFT另设物理信息混合路线,以WSD半经验式为基,用符号回归(SR)、高斯过程回归(GPR)、SVGP学残差;采样效率比较随机、分层与GPR主动学习(AL)。
研究结果部分,2.1节给出cDFT+PCP-SAFT原理:通过最小化巨势泛函Ω得平衡密度剖面,IFT由γ=(ΩEq.?ΩBulk)/A计算,残差亥姆霍兹自由能拆为硬球、链、色散、缔合、极化项,二元交互参数kij对23对有Pxy实验拟合、5对无数据取零。2.2节说明WSD模型以纯质IFT与密度差标度混合,超临界杂质无纯质IFT故直接贡献被忽略,促使后续ML补残差。2.3节列出SVM、RF、XGB、TabPFN及SR/GPR/SVGP等模型与Matérn-5/2核、ELBO优化等设置。2.4节明确CO2富集合成用Dirichlet分布分派杂质预算s=1?zCO2。第3节主体结果表明:TabPFN+HPO在四目标上CV-RMSE与MAE最低,次优为XGB;露点压力与界面厚度对杂质浓度较不敏感;主动学习比随机/分层少用更多组元即达目标精度;IFT混合模型中SVGP将RMSE降至0.02 mN m–1,SR给出可解释修正式。第4节结论指出,该工作首次将PCP-SAFT+cDFT物理引擎与纯数据驱动、WSD残差两条ML路线结合,覆盖二元至八元、七杂质、CO2富集合成,提供不确定度感知与主动学习采样;代理模型推理1–5 ms对比cDFT的0.18–1.8 s,可嵌入CFD、逆向设计与实验规划,降低密相CO2输送中相分离与瞬态风险评价成本。
讨论与结论翻译:捕获CO2杂质使两相包络拓宽、IFT下降,实验与MD成本高,EoS+cDFT准确但慢。研究人员以PCP-SAFT EoS+cDFT生成数据,训练TabPFN等ML代理预测Pbubble、Pdew、IFT、L1090,TabPFN+HPO最优;IFT采用WSD+ML残差混合,SVGP将RMSE降至0.02 mN m–1,SR提供可解释式;主动学习最省数据;代理推理毫秒级,适于CFD与流程模拟,为含杂质CO2密相输送提供高效性质估算工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号