使用人工類神經網路再現彭羅賓森流體之熱力學性質與相平衡

Abstract

"本研究欲建立一套人工類神經網路模型(Artificial Neural Network, ANN)，以準確預測純流體(fluids)的熱力學性質(thermodynamic properties)和相平衡。在人工類神經網路模型的架構中，需要提供大量數據用以訓練其中神經元之參數，因此我們在本研究中選擇使用彭羅賓森狀態方程式(Peng-Robinson Equation of State, PR-EOS)計算大量的純流體熱力學數據，以供後續的模型訓練。以PR-EOS計算純流體熱力學數據的方法大致為：在包含液體、氣體和超臨界流體範圍的對比溫度和對比壓力下，給定合理範圍並隨機亂數分布的大量PR-EOS參數如(a,b,ω)或是(Tc,Pc,ω)，如此便可透過PR-EOS計算各種熱力學數據如臨界點、蒸氣壓(Pvap)、標準狀態沸點(Tb)等，若再給定定壓熱容(Cp)還可計算其他熱力學狀態函數如焓、熵和自由能等。 在本研究中，我們特別想要了解ANN模型是否可用於預測處於不同相狀態的純流體性質，並辨認純流體的相變化(phase transition)。經本研究發現，簡單的ANN模型無法準確預測純流體在全相圖範圍的某些熱力學狀態函數；然而，若對純流體的熱力學數據進行分類預處理，將純流體數據根據其相狀態的不同進行分類，再對各類別分別建立ANN模型並且訓練，便能大幅提升模型預測準確性，降低模型預測值與PR-EOS計算值之間約25%~73%左右的誤差。我們更進一步研究使用機器學習(machine learning)方法，對純流體數據自動進行相狀態的分類，本研究應用一種名為k平均聚類(k-means clustering)的非監督式學習演算法進行分類，便可對純流體數據達到約95%以上的分類準確度。因此綜合以上結果，我們藉由結合k平均聚類以及ANN訓練模型，便可自動化預測純彭羅賓森流體在全相圖範圍中的各種熱力學性質。"