《基于基团拓扑的遗传神经网络工质临界温度预测》这篇研究论文主要探讨了如何利用遗传神经网络来预测工质（如制冷剂）的临界温度。工质的临界温度是热力学中的一个重要参数，对于制冷、热泵以及有机朗肯循环系统的效率和设计具有关键意义。
论文中，研究人员选择了16个分子基团作为网络的输入参数，这些基团涵盖了常见的制冷剂和工作流体。同时，他们选取了一种拓扑指数作为额外的输入特征，这种指数可以有效地区分具有相同分子式的同分异构体。通过遗传算法，他们优化了神经网络的结构和初始参数，以提高预测的准确性。
在模型建立之后，研究人员将200种不同的工质数据分为训练集、验证集和测试集，这是为了增强网络对临界温度预测的泛化能力。训练集用于教会网络学习规律，验证集用于调整模型参数并防止过拟合，而测试集则用于评估模型在未见过的数据上的表现。
经过遗传神经网络的预测，各数据集的临界温度平均相对误差分别为1.18%、1.69%和1.28%，这表明该网络对工质临界温度的预测有很好的精度。这种低误差率意味着模型不仅能区分同分异构体，而且其预测结果与实验测量值非常接近，显示了模型的可靠性和实用性。
该研究的意义在于提供了一种有效的方法，通过计算手段预测工质的临界温度，减少了对昂贵实验设备的依赖，有助于提升热力学系统的设计效率和性能。此外，采用遗传算法优化神经网络结构，是机器学习领域中一种创新的应用，它展示了深度学习技术在解决复杂科学问题上的潜力。
总结来说，这篇文章的核心知识点包括：
1. **基团拓扑**：利用分子基团和拓扑指数作为工质的特征，反映了化学结构对物理性质的影响。
2. **遗传神经网络**：结合遗传算法和神经网络，优化模型结构和参数，提高了预测的准确性。
3. **数据集划分**：通过训练集、验证集和测试集的划分，增强了模型的泛化能力。
4. **模型评估**：通过比较预测值与实验值的平均相对误差，验证模型的预测性能。
5. **应用背景**：在制冷、热泵和有机朗肯循环系统中，准确预测工质的临界温度对系统设计至关重要。
这篇研究为热力学性质预测提供了新的思路，不仅对工程实践有指导价值，也为深度学习在化工领域的应用提供了新的研究方向。
