使用人工神经网络预测含氧燃料的恒压热容（Cp）

《Journal of the Indian Chemical Society》：Predicting constant pressure heat capacity (C p) of oxygenated fuels using artificial neural networks

　　

• •
  开发了一种人工神经网络（ANN）模型，用于预测烃类和含氧燃料的Cp。
• •
  数据集涵盖100种化学多样性化合物，共计1377个数据点。
• •
  分子量和温度在Cp预测中起主导作用。
• •
  ANN达到了高精度（R² ≈ 0.99，MAE ≈ 1.9 J mol^?1 K^?1）。
• •
  该模型可实现燃料设计和模拟中的高效Cp估算。

引言

恒压热容（C_p）是最基本的热力学性质之一，涉及化学系统中的能量储存、相行为和热传递[[1], [2], [3]]。它定义为在恒定压力下使物质温度升高1 °C所需的热量。它在过程设计、燃烧建模和材料表征方面有重要应用[4,5]。精确确定恒压热容对多个工业应用至关重要，如反应器计算、能量转换、反应器安全和化学过程模拟[6]。在燃烧科学中，C_p控制燃料的热特性、火焰温度、点火以及污染物生成机制[7]。烃类主导着燃料、润滑剂和石化原料。准确估算其C_p值的主要挑战在于它们具有复杂的分子结构、广泛的组成范围以及非理想分子间相互作用[2,8]。

脂肪烃和芳香烃系统的热容取决于温度、分子量和分子结构，后者由官能团取代、支链化和环化等参数所决定[9,10]。这些特性源于平动、转动和振动自由度的变化，而这些自由度本身又是分子对称性和键合的函数[11]。芳香烃的C_p通常大于相同碳数的烷烃，因为与共轭π-π系统相关的振动模式增加得更多，如先前研究所确立的那样[12]。因此，支化导致的净C_p差值为负值，因为分子中的柔韧性降低，可及振动状态减少[13]。因此，需要超越传统关联方法的先进建模方法来充分表征不同烃类之间C_p的复杂、结构依赖性和非线性变化[9,11]。

过去曾使用经验关联式、基团贡献法和状态方程（如Soave–Redlich–Kwong方程和Peng-Robinson方程）来计算C_p值[14,15]。基团贡献法将分子分解为结构片段。其他技术则使用宏观性质（例如临界常数和密度）来估算C_p[16]。量子化学和分子模拟技术包括密度泛函理论（DFT）、分子动力学（MD）和Monte Carlo方法，已被用于从第一性原理提高C_p的估算精度[1,17]。尽管这些方法在理论上是合理的，但它们需要大量的计算；因此，对于高度芳香化和广泛功能化的大分子烃类，其精度会下降[2,18]。

随着公共可获取的实验热力学数据库（如美国国家标准与技术研究院（NIST）、Thermo Data Engine（TDE）和ThermoML）的发展，数据驱动的建模方法已成为预测热力学性质（包括热容）的有前景的替代方案[19,20]。特别是机器学习（ML）技术，尤其是人工神经网络（ANNs），已显示出在不依赖任何显式物理假设的情况下学习复杂函数依赖关系的卓越能力[1,21]。其通用逼近能力使得能够捕获结构描述符（分子量、拓扑指数、原子计数和基团频率等）与任意性质（如C_p）之间的复杂关系[22]。一些研究表明，在给定足够实验数据的情况下，ANNs可以大幅超越传统基团贡献法（GCMs）和状态方程（EOS）的预测精度。此外，ANNs不需要像所有基于回归的模型那样预设函数形式，因此在表征烃类热力学复杂景观方面拥有更大的自由度[21,23]。

仅有少数研究专门关注使用机器学习和数据驱动方法预测Cp[1,[23], [24], [25]]。现有的大多数模型仅针对特定类别的分子（例如低级醇或烷烃），或者普遍依赖于未针对烃类热力学进行调整的分子描述符。此外，公开可用的数据集不一致或C_p数据不足，特别是在高温和复杂芳香系统方面[26]。然而，迫切需要一种统一的高精度模型来预测整个烃类域（从烷烃到多芳烃）的C_p，并适用于广泛的用途，包括燃料设计、过程模拟和热力学性质估算。

本文开发了一种高精度人工神经网络（ANN）模型，用于预测脂肪烃和芳香烃的恒压热容（C_p）。模型使用来自100种不同烃类的1377个实验值进行训练，这些数据在不同温度和不同分子结构下采集。所提出的模型考察了温度、分子量和十一种官能团质量百分比对C_p值的影响。所考虑的基团包括链烷烃CH₃、CH₂、CH；烯烃-CHCH₂；环烷烃CH-CH₂；芳香族C-CH；醇OH；醚-O-；醛-CHO；酮-CO；以及酯基等。开发了一个两层前馈神经网络（一个隐藏层包含10个神经元），该网络的R²等于0.99。平均绝对误差为1.9 J mol^?1 K^?1，因此表现出良好的预测能力和泛化能力，从而在经验关联式和第一性原理方法之间填补了空白，为加速结构多样烃类化合物C_p的预测提供了高度验证的框架，同时减少了实验工作量和计算成本。该方法还通过实现能量平衡、反应焓和传递现象的高精度建模，为炼油、石化和燃烧系统中的可持续过程设计提供了一条途径。

章节摘要

数据集

本研究使用共1377个数据点作为预测模型的基础，代表100种不同烃类，从而捕获了广泛的分子结构——这对任何C_p预测而言都是必不可少的。开发精确的基于ANN的C_p预测模型在很大程度上需要多样化的数据条目来覆盖化学官能性；本预测模型考虑了13个输入参数，其中包括温度、分子量（MW）和质量

醇类的影响

本节讨论了醇类对热力学参数比热容C_p的影响，作为理解其对燃料行为可能影响的初步步骤。图3展示了纯醇的C_p与重要分子描述符——羟基浓度（OH wt%）、分子量（MW）和温度之间的关系。需要注意的是，本分析基于摩尔热容（J·mol^?1·K^?1）。而质量基热容（J·g^?1·K^?1）是

结论

开发了一种基于人工神经网络的高精度预测方法，用于计算广泛分子结构和温度范围内的脂肪烃和芳香烃的恒压热容（C_p）。模型使用来自100种化合物的1377个实验C_p数据点的大规模数据集进行训练，这些化合物具有化学多样性，包括链烷烃、烯烃、环烷烃、芳香烃和含氧烃类（如醇、醚、酮和酯）。该

作者贡献声明

Mahammad Ali Saritala：撰写——审阅与编辑，撰写——初稿，软件，方法论。Shaikh Abdur Razzak：验证，数据整理。Abdul Gani Abdul Jameel：指导，资助获取，数据整理，概念构思，项目管理，撰写——审阅与编辑。

利益冲突声明

作者声明不存在已知的可能影响本文报告工作的竞争性经济利益或个人关系。

资助致谢

作者感谢沙特阿拉伯阿卜杜勒阿齐兹国王石油和矿物大学（KFUPM）研究院长办公室的支持，该研究由资助项目IN26102资助。

Mahammad Ali Saritala|Shaikh Abdur Razzak|Abdul Gani Abdul Jameel