近日，山东省化工过程模拟与优化工业软件重点实验室在化工领域顶级期刊《AIChE Journal》上发表题“Regularized Augmented Group Contribution Method for Predicting Thermophysical Properties of Sustainable Refrigerants”的研究论文。该研究针对传统基团贡献法无法区分立体异构体这一瓶颈问题，创新性地提出了正则化增广基团贡献（RAGC）框架，为新一代绿色环保制冷剂的分子设计与热力学性能评估提供了高效、精准且具物理可解释性的工具。我校化工学院2024级硕士研究生孟祥铭为论文第一作者，陶少辉副教授为通讯作者，青岛科技大学为第一单位。
制冷剂在提高能源转换效率、应对全球气候变化中发挥着至关重要作用。随着“双碳”目标的推进，开发低全球变暖潜能值（GWP）和零臭氧消耗潜能值（ODP）的新型可持续制冷剂成为行业焦点。然而，新型制冷剂的物性数据匮乏，且传统基团贡献法（GCM）因缺乏分子空间信息，无法有效区分顺反异构体等立体异构体，限制了其在精细分子筛选中的应用。
团队通过“特征增强+正则化优化”的双重策略，对传统模型进行了深度升级。首次在基团贡献框架中引入分子离心率（Eccentricity, E）描述符。该描述符能够捕捉分子的三维空间形态，使模型具备了精准识别顺反异构体和构造异构体的能力，弥补了传统方法在空间分辨力上的不足。借鉴机器学习中的正则化思想，将非线性项的可调参数与基团贡献值进行同步联合正则化优化。这一举措有效抑制了参数过拟合，增强了模型的泛化能力与物理一致性。
研究基于350余种制冷剂的大数据样本，对正常沸点（Tb）、临界温度（Tc）、临界压力（Pc）、临界体积（Vc）及偏心因子（ω）五大核心热物理性质进行了系统评价：
1) 高精度与稳定性：RAGC模型在所有性质预测中均表现优异，平均绝对相对偏差（AARD）较文献参考模型提升了2%~14%。与10余种主流机器学习模型（如XGBoost、RF等）相比，RAGC在保持高精度的同时，表现出极强的鲁棒性，且预测误差分布更加集中。
2) 卓越的异构体识别：模型成功复现了顺反异构体（如顺/反-1,2-二氟乙烯）在沸点和临界性质上的细微差异，打破了传统基团贡献模型对异构体预测值一致的局限。
3) 物理可解释性：研究通过特征重要性排序（Spearman相关分析）证实，RAGC模型的基团贡献排名与客观物理规律高度一致。相比于复杂的黑箱机器学习模型，RAGC保留了线性加和的简洁形式，赋予了模型清晰的工程物理意义。
