可解释机器学习与物理规律融合的热物性显式预测方法——以气相声速为例.pdfVIP

第46卷第4期计量学报Vol.46，№4

2025年4月ACTAMETROLOGICASINICAApril，2025

doi：10.3969/j.issn.1000-1158.2025.04.01

可解释机器学习与物理规律融合的热物性

显式预测方法——以气相声速为例

彭夏尧，杨震，段远源

（清华大学热科学与动力工程教育部重点实验室，北京100084）

摘要：提出了一种热物理规律指导的人工智能探索方法，利用计算机代替执行规律探索和公式提出过程。以

基础热物性参数气相声速为例，针对截断维里方程在气相高压区的固有局限性，使用符号回归对表征多分子作用

的众多高阶维里系数项进行总结归纳，形成了通用性的显式预测模型。模型预测28种物质的气相声速的均方根相

对偏差仅为0.29%，且在近临界压力处的预测偏差显著低于现有的模型。研究结果有望形成一种新的热物性预测

模型探索方法，也是对机器学习黑箱模型进行物理意义解释的一个尝试。

关键词：热物性计量；气相声速；声学维里方程；数据驱动；可解释机器学习；符号回归

中图分类号：TB94文献标识码：A文章编号：1000-1158（2025）04-0467-08

SymbolicRegressionforPhysicallyInterpretablePredictionofThermophysical

Properties—TakingSpeedofSoundasanExample

PENGXiayao，YANGZhen，DUANYuanyuan

（KeyLaboratoryforThermalScienceandPowerEngineeringofMinistryofEducation，

TsinghuaUniversity，Beijing100084，China）

Abstract:Anartificialintelligencemethodguidedbyphysicallawswasdevelopedandcombinedwithtraditional

thermophysicaldiscipline，usingcomputerstoreplacetheprocessofexploringlawsandproposingformulas.Takingabasic

thermophysicalparameter，gaseousspeedofsound，asanexample，inresponsetotheinherentlimitationsofthetruncated

virialequationinthehigh-pressuregaseousregion，symbolicregressionwasusedtosummarizethehigh-ordervirial

coefficienttermsthatcharacterizemulti-moleculeinteraction