AI与机械热力学：将数据驱动模型和混合模型与经典方法进行对比，以研究汽液平衡问题

《Fluid Phase Equilibria》：AI vs. mechanistic thermodynamics: Benchmarking data-driven and hybrid models against classical approaches for vapor-liquid equilibrium

　　

Rafael Schneider|Rafael de Pelegrini Soares

摘要

人工智能为传统的机械热力学建模提供了快速的替代方案，但其能否取代现有的框架仍存在不确定性。本研究将新兴的深度学习架构（SPT-NRTL和基于GNN的模型）与UNIFAC(Do)和COSMO-SAC进行了对比测试，测试对象包括95个化学性质多样的二元蒸汽-液体平衡（VLE）系统。我们评估了由AI预测的无限稀释活度系数（IDACs）是否可以作为数据高效通用相平衡计算中的可靠热力学参数。在等温条件下，使用基于GNN的活度系数进行的VLE预测，其平均相对误差（MRE）约为17%–22%；而SPT-NRTL模型的预测结果更为准确（MRE为10.5%），甚至能够准确预测复杂的共沸物，其表现与COSMO-SAC（MRE为12.6%）和UNIFAC(Do)（MRE为8.6%）相当。然而，对于强极性混合物，GNN模型存在系统性偏差。在等压条件下，SPT-NRTL模型在298 K时的预测结果优于基于IDAC的模型。