案例类别：人工智能+专业课程
课程名称：传递工程基础 适用专业：化学工程与工艺
开课学院：环境与化学工程学院 主讲教师：闻昭权
技术类型：卷积神经网络（CNN）、人工神经网络（ANN）、定量构效关系（QSPR）、密度泛函理论（DFT）、最大信息系数（MIC）
应用场景：化工过程设计中的超临界流体传递特性预测
案例简介
本案例创新性地将人工智能技术与传递过程原理课程深度融合，以超临界性质智能预测为切入点，通过构建CNN增强的QSPR模型，突破传统经验公式（如Wilke公式、Chapman-Enskog理论）的局限性。学生通过DFT计算分子结构，结合RDKit生成分子描述符，利用MIC方法筛选关键特征，最终通过3D ResNet-ANN耦合模型实现超临界性质的精准预测。案例涵盖分子动量、热量、质量传递三大核心章节，通过对比传统方法与AI方法的预测效果，使学生深入理解传递过程的微观机制，掌握"AI+化工"的交叉创新能力。经教学实践验证，该案例可显著提升学生对复杂传递过程的理解深度和工程实践能力。
一、背景
随着化学工业向绿色化、精细化方向发展，超临界流体技术在萃取、反应、分离等过程中的应用日益广泛。然而，超临界性质（如临界温度Tc、临界压力pc）的实验测定面临极大挑战：一方面，超临界条件极端（温度可达900K，压力超80bar），实验设备要求高、危险性大；另一方面，有机物种类繁多（超过百万种），传统实验方法难以覆盖。在传递过程原理课程教学中，学生需要掌握超临界流体的动量、热量、质量传递特性，但现有教材主要依赖半经验公式进行估算，存在明显不足。
1. 传统教学方法存在三大局限
（1） 物性预测精度不足
传统传递参数估算主要依靠经验公式，如采用Wilke公式估算气体混合物黏度时需要已知Lennard-Jones参数，使用Chapman-Enskog理论计算气体扩散系数时需要碰撞积分数据，这些参数对复杂分子体系往往难以准确获取，导致预测误差较大。
（2） 微观机制阐释不足
现有教学侧重于宏观传递现象的描述，缺乏从分子结构层面揭示传递过程机理的有效手段，学生难以建立"分子结构-物性-传递过程"的关联认知。
（3） 工程应用脱节
工业界已广泛采用AI技术进行物性预测和工艺优化，但教学内容仍停留在传统方法，毕业生需额外培训才能满足企业需求。
2. 人工智能技术提供突破路径
（1） 多尺度建模优势
CNN神经网络可直接处理分子三维电荷密度分布，捕捉空间结构特征；ANN网络可挖掘分子描述符与物性间的非线性关系，实现从分子尺度到宏观物性的精准预测。
（2） 预测精度显著提升
本研究构建的CNN-ANN耦合模型对Tc的预测R²达到0.888（传统JOBACK方法仅为0.815），对Pc的预测R²达到0.919，完全满足工程设计需求。
（3） 教学价值突出
通过AI案例教学，学生可同时掌握传递过程原理、分子模拟计算和人工智能技术，培养跨学科创新能力。
二、案例实施情况
1. 教学设计思路
本案例围绕“理论-仿真-实践”三个层次展开：
· 理论层：在讲解分子传递基础理论时，引入AI预测方法与传统方法的对比，如通过超临界流体黏度预测对比Wilke公式与CNN-QSPR方法的优劣；
· 仿真层：指导学生使用Gaussian进行分子结构优化，利用RDKit生成400+分子描述符，采用MIC方法筛选关键特征（如Tc关联最强的LabuteASA描述符）；
· 实践层：基于课本例题/习题，尝试使用ANN方法对黏度、扩散系数等参数进行预测，并对比教科书经验公式计算结果。
2. 教学实施过程
（1） 分子传递基础与AI预测原理
图1 AI辅助传递计算原理图
首先回顾分子动量、热量、质量传递的基本方程，重点讲解超临界流体的传递特性；引入传统预测方法的局限性：展示使用Wilke公式计算苯-甲苯体系黏度的误差12%；介绍QSPR方法原理：分子结构→描述符→物性关系的建模思路；演示CNN处理分子3D电荷密度矩阵的过程；
（2） AI模型构建实战
图2 最优人工神经网络模型的散点图及概率密度函数
分组实验一：使用AutoKeras构建ANN模型
输入：经MIC筛选的20个高相关性分子描述符（如LabuteASA、Chi0n等）
输出：Tc、pc预测值
结果：ANN模型预测Tc的MAPE=4.14%
图3 利用 JOBACK 方法预测得到的 Tc 和 pc 的散点图及概率密度函数
分组实验二：3D ResNet模型训练
输入：分子电荷密度矩阵
观察：模型在训练集表现良好（R²=0.975）但验证集过拟合（R²=0.419）
讨论：过拟合原因与解决方案
图4 不同模型误差指标柱状图及残差散点图
分组实验三：CNN-ANN耦合模型构建
方法：固定ANN参数，增加可训练的ResNet模块预测残差
结果：Tc预测MAPE降至5.03%，模型泛化能力显著提升
三、案例创新突破
（一）主要创新内容
本案例在教学模式上实现了重要创新，构建了“理论-仿真-实践”三阶递进式教学体系。在理论教学环节，创新性地将分子模拟与传递过程原理相结合，通过Gaussian和Multiwfn软件展示分子电荷分布与传递特性的内在联系，使学生直观理解微观结构对宏观传递过程的影响机制。在仿真训练环节，开发了分层递进的实验项目：基础层训练学生使用RDKit计算分子描述符，掌握特征工程方法；进阶层指导学生用AutoKeras构建ANN模型，理解机器学习原理；高级层开展CNN-ANN耦合模型实战，培养复杂系统建模能力。在实践应用环节，设计超临界流体萃取工程案例，要求学生基于AI预测的物性参数完成设备设计与优化，培养工程实践能力。
（二）技术突破内容
本案例开发了适合教学场景的轻量化AI建模技术。针对教学服务器计算资源有限的情况，创新性地将3D ResNet架构进行教学化改造：通过降低网络深度（从50层压缩至18层）、减少卷积核数量（从256个减至64个）、采用分组卷积等技术，将模型参数量从原始的2.3×106压缩至4.66×105，在保持预测精度的同时大幅降低计算需求。开发了交互式建模平台，集成分子结构可视化、描述符自动计算、模型训练与评估等功能，支持学生在线完成整个建模流程。创新采用迁移学习策略，提供预训练的基础模型，学生只需在自己的数据集上进行微调，极大缩短了训练时间，使完整的AI建模实验能在2学时内完成。
（三）应用实践突破内容
本案例在教学实践层面实现了重要突破，重点提升了理论教学与前沿技术的融合效果。通过引入AI预测方法，在课堂教学中生动演示了分子结构如何影响超临界流体的传递特性。教师利用预训练的CNN-ANN模型进行课堂实时演示，展示不同分子结构的超临界性质预测结果，使学生直观理解微观机制与宏观物性之间的内在联系。这种教学方式突破了传统单纯依靠公式计算的局限性，让学生在不需要亲自进行复杂编程的情况下，仍能深入理解人工智能在化工物性预测中的原理和应用。
案例创新设计了“理论-可视化-应用”三层教学体系：在理论层，重点讲解CNN特征提取原理和QSPR建模思想；在可视化层，通过分子电荷密度云图和模型预测结果对比，帮助学生建立直观认知；在应用层，组织学生分析预测结果并讨论工程应用方案。这种设计使所有学生都能受益于前沿技术的学习，而不受编程基础差异的影响。
教学实践表明，这种教学模式显著提升了学生的学习效果。这种教学方式培养了学生的数字化思维，使他们在不接触复杂代码的情况下，仍然能够理解人工智能的工作原理并应用于工程问题的分析和解决，为未来职业发展奠定了重要基础。
四、推广价值
本案例具有广阔的教学应用前景，其模块化设计结构赋予了强大的跨专业适应性。针对化工专业可侧重工程应用与设备设计模块，化学专业可侧重分子模拟与QSPR建模模块，材料专业则可侧重材料热力学性质预测模块，这种灵活的配置方式使案例能够适应不同专业的教学需求。
在学科建设方面，本案例提供了完整的“AI+专业课程”建设方案，具有很强的示范性。案例还成功实践了教研互促的创新模式，将前沿科研成果转化为优质教学案例反哺人才培养，同时学生课程项目成果又为科研工作提供支持，形成了教学与科研相互促进的良性循环。
五、其他相关情况
鉴于相关研究成果暂未发表，恕暂不提供基础数据，待发表后可提供参考。
