机构名称：
¥ 1.0
对混合物的热力学特性的了解对于化学工程至关重要。然而，混合物的纯粹组合多样性使得无法实验研究每种相关混合物，从而使可靠的词典方法是必不可少的。组分组方法（GCM）被广泛用于此目的。最完善的GCM是预测液体混合物中的效率系数的UNIFAC。自1975年引入[3]以来，它已不断修订和改进[15、4、12、16、5、17]，并在基本上所有过程模拟器中实施，强调了其持久的相关性和成功。我们使用最新发布的UNIFAC [17]，在此标记为Unifac 1.0，作为参考。uniFAC 1.0将组件分解为结构组，将其应用于给定的混合物需要成对相互作用参数（a），对于发生的主组M和N的每个二元组合。ever，由于缺乏直接拟合的实验数据，在某些情况下，所有组对组的相互作用参数缺少56％的组，在某些情况下，由于有挑战性的拟合过程，这会严重阻碍unifac 1.0的适用性（单个丢失的相关参数会阻止使用该模型）。未知的MN可以使用基于COSMO的预测方法或原子相互作用参数的人工训练数据来估算MN。然而，两种方法都产生不可靠的结果，并且无法与实验蒸气液平衡（VLE）数据相匹配[13]。在这项工作中，我们介绍了一种基于机器学习的GCM相互作用参数的新方法。该方法基于以下想法：配对参数可以视为方形矩阵的元素和
物理热力学模型中的机器学习方法
主要关键词
相关文件推荐
