燃烧后CO2捕集MEA吸收过程模拟教程（13）：电解质热力学自定义——eNRTL参数回归与Aspen电解质向导

燃烧后CO2捕集MEA吸收过程模拟教程（13）：电解质热力学自定义——eNRTL参数回归与Aspen电解质向导

版本声明块

• 工具/软件：Aspen Plus（当前 aspenONE 版本，引用前需在官网核对；本系列不写 Aspen Plus 的数字版本号）；DWSIM（版本号必须带抓取日期，见第 16 篇）
• 语言/环境：Python 3.9+，依赖 numpy、scipy（库版本以本机环境为准）
• 本文目标：独立完成一次 eNRTL 交互参数的最小二乘回归与残差诊断，并说清 Aspen Plus 电解质向导能做什么、不能替你做什么

一句话结论：eNRTL 的规范引用是Chen & Evans (1986)（AIChE J. 32, 444–454，多组分水溶液推广），其前身是 Chen、Britt、Boston、Evans (1982) 的单溶剂完全解离体系工作；用scipy.optimize.least_squares（method="trf"带界）做参数回收测试，本机实测在 0.1% 相对噪声下两个交互参数回收误差约 0.011 与 0.0003，噪声升到 5% 时误差涨到约 0.46 与 0.016——参数可信度对数据精度极其敏感。

〇、本篇要解决的认知问题

1. eNRTL 到底该引用哪一篇文献？网上流传的「Chen & Song 2004」为什么是错的？
2. eNRTL 的活度系数由哪几部分构成，被回归的参数究竟是哪些量？
3. 怎么用 Python + scipy 对 eNRTL 参数做带界最小二乘回归，并判断参数是「可辨识」还是「过拟合」？
4. Aspen Plus 电解质向导生成 MEA-H₂O-CO₂ 体系 eNRTL 参数的官方流程是什么？为什么本系列不给出具体菜单路径？
5. 开源侧（DWSIM）能不能直接替代这条路？如果不能，缺的是什么？

一、机制解析

1.1 先把引用钉死：eNRTL 不是 Chen & Song (2004)

热力学自定义的第一步不是写代码，而是搞清模型谱系。这是本系列反复强调的铁律，因为一旦引用错，后面所有参数都失去了可追溯性。

必读纠偏：把 eNRTL 写成「Chen & Song 2004」是命题错误。Chen & Song (2004) 的原文标题是Solubility Modeling with NonRandom Two-Liquid Segment Activity Coefficient Model（I&ECR 43, 8354–8362），即NRTL-SAC 溶解度模型，与 eNRTL 不是同一个模型。规范引用请只写Chen & Evans (1986)（可并列 1982 年原始文献）。

第 3 篇已经把这三种模型的选型决策树讲完了，本篇的任务是：当你决定用 eNRTL 之后，参数从哪里来、怎么核对、怎么自己回归。

1.2 eNRTL 的结构：长程项 + 局部组成项

eNRTL 的过量吉布斯能由两块叠加：一块是长程静电项（离子与离子之间的静电作用，决定稀溶液极限行为），另一块是局部组成项（NRTL 型，用G = exp(−α·τ)的非随机因子描述局部组成的非理想性）。它的独特之处不在数学形式，而在两个物理假设：

• 同号离子互斥：局部组成中，中心离子周围排斥同号离子；
• 局部电中性：任一点附近的局部区域近似电中性。

这两条假设把「分子-分子」「分子-离子」「离子-离子」三类配对的 τ 定义捆绑在一起，使得离子-离子对参数并不是自由参数，而可以由分子-离子对参数导出。这正是 eNRTL 比「普通 NRTL + 一堆自由参数」更可用的原因：参数少、可辨识性高。

Aspen 侧的温度外推形式：Aspen 中平衡常数温度依赖写成

ln K(T) = a + b/T + c·lnT + d·T

这四项对应「常数项 / 焓项 / 熵项 / 热容项」。工程上要注意：d·T项在窄温区内几乎不可辨识（例如吸收侧 40–60 ℃ 这类典型设计区间，属经验区间，跨度太小），如果拿一个窄温区的数据去回归四项，回归器会把误差在四项之间乱分。这是新手最常见的过拟合来源之一。

1.3 回归流程与「参数从哪里来」

┌──────────────────────┐ 公开/自有 │ VLE / 溶解度 / 热量 │ 注意：必须记录 T、P、总浓度、 实验数据 → │ 数据（带工况与出处）│ 物种存在形式、分析误差 └──────────┬───────────┘ v ┌──────────────────────┐ │ 物种与反应集确定 │ MEA-H2O-CO2 体系含 MEACOO-、 │ （真物种 vs 表观物种） │ HCO3- 等，见底账 [C5] 的平衡反应式 └──────────┬───────────┘ v ┌──────────────────────┐ │ 参数分组：哪些回归、 │ 长程项参数固定；离子-离子对参数 │ 哪些固定（防止耦合） │ 由分子-离子对导出，不独立回归 └──────────┬───────────┘ v ┌──────────────────────┐ │ 加权目标函数 │ 权重按测量误差方差的倒数（1/σ²）， │ Σ w_i (y_calc - y_exp)²│ CO2 分压跨越数量级时必须用对数残差 └──────────┬───────────┘ v ┌──────────────────────┐ │ 残差诊断 + 可辨识性 │ 看 Jacobian 奇异值、参数相关系数矩阵 └──────────┬───────────┘ v ┌──────────────────────┐ │ 交叉验证（留一/留组） │ 验证的不是拟合优度，而是外推能力 └──────────────────────┘

参数从哪里来，只有三条合法路径：

1. 文献已发表参数集（例如针对 MEA-H₂O-CO₂ 的 eNRTL VLE 对比研究，[C2]）——最省事，但必须核对温区、浓度区间、物种集是否与你的模型一致；
2. Aspen Plus 电解质向导生成——注意：官方步骤文档需 AspenTech 授权账号（底账附录 A 第 2 条明确列为「本轮未覆盖」），本文只讲清它与回归的关系，不给具体菜单路径，避免臆造；
3. 自己回归——数据必须是你手上有的、带出处的数据；本文的代码用「参数回收测试」来演示流程（先设定已知参数生成数据，再回归回去），这样既能跑通代码，又不会伪造任何真实物性数据。

最新进展可以补一句：2024 年AIChE Journal有 modified eNRTL 含过量焓解析式的工作，用于 MEA-H₂O-CO₂ 体系，可作为「最新进展」引用，但它是变体而非基线模型。

1.4 边界：DWSIM 走不了同一条路

DWSIM 的自动化属性包注册表中出现的是NRTLPropertyPackage、UNIQUACPropertyPackage、UNIFACPropertyPackage、IdealElectrolytePropertyPackage、CAPEOPENPropertyPackage（组件名 “CAPE-OPEN”）等，没有 eNRTL 专用包。因此禁止断言「DWSIM 支持 eNRTL」；要在开源侧做电解质热力学，只能走「CAPE-OPEN 接入外部电解质包」这条不轻松的路，第 16 篇展开。

二、完整代码与逐行剖析

代码 1：eNRTL 局部组成项的教学简化实现（示意参数）

环境：Python 3.9+，仅依赖 numpy。
重要声明：下面的函数不是Chen & Evans (1986) 的完整式。它把 1:1 电解质当作「盐伪组分」，再套标准二元 NRTL 局部组成式，目的是让读者看清「τ 如何进入活度系数、为什么可以被回归」。eNRTL 与它的差别恰恰是那两个假设（同号离子互斥、局部电中性）——所以本函数只能用于回归流程演练，不得用于定量预测任何真实体系。

# enrtl_demo.py —— eNRTL 风格局部组成项的简化实现（教学用，非完整 eNRTL）# 环境：Python 3.9+ / numpy。无其他依赖。importnumpyasnpdefgamma_local_nrtl(x_s,tau_sm,tau_ms,alpha=0.2):""" 标准二元 NRTL 局部组成项（把「盐」当成一个伪组分 s，溶剂记为 m）。 为什么这样写： - NRTL 的核心是 G = exp(-alpha * tau)：tau 是无量纲交互能，alpha 是非随机因子。 - alpha 固定、只回归 tau，是电解质参数估计中的常见做法（减少参数相关性、 提高可辨识性）。这里取 0.2 是**示意值**，实际取值必须以 Chen & Evans (1986) 原文与所用软件的数据表为准。 - x_s 是「盐」的摩尔分数（按表观摩尔量计）。 """G_sm=np.exp(-alpha*tau_sm)# 盐 -> 溶剂 方向的非随机因子G_ms=np.exp(-alpha*tau_ms)# 溶剂 -> 盐 方向x_m=1.0-x_s# 二元体系：溶剂摩尔分数由归一化得到# 标准二元 NRTL 的 ln gamma 表达式（两项：分别来自两个方向的局部组成修正）term1=x_s**2*tau_sm*(G_sm/(x_m+x_s*G_sm))**2term2=x_m**2*tau_ms*(G_ms/(x_s+x_m*G_ms))**2returnterm1+term2# 返回溶剂（MEA 或水）的 ln gamma 局部项defln_gamma_solvent(x_s,tau_sm,tau_ms,ln_gamma_lr=0.0):""" 溶剂总活度系数 = 长程项 + 局部组成项。 这里的长程项用参数 ln_gamma_lr 简化传入（真实实现需要按离子强度逐点计算）， 这样拆分是为了让读者看到：回归的只是局部项的 tau，长程项通常固定不回归。 """returnln_gamma_lr+gamma_local_nrtl(x_s,tau_sm,tau_ms)if__name__=="__main__":# 演示：固定一对 tau，扫描盐浓度，观察 ln gamma 的形态tau_sm,tau_ms=1.8,-0.6print(f"{'x_s':>6}{'ln_gamma_local':>16}")forx_sinnp.linspace(0.01,0.40,8):val=gamma_local_nrtl(x_s,tau_sm,tau_ms)print(f"{x_s:6.3f}{val:16.6f}")# 预期输出（本机实测，x_s=0.010~0.400）：# ln_gamma_local 由 -0.589 单调上升到 -0.056，# 即随盐浓度增大而上升，量级 1e-1（注意此处为负值，说明局部组成项# 在该示意参数下整体拉低了溶剂的活度系数）

反直觉默认值提示：alpha=0.2看起来像个无关紧要的常数，但它决定了 τ 的可辨识性。α 越大，G=exp(−ατ)对 τ 越敏感，回归越容易收敛但数值越刚性；α 越小，不同 τ 组合给出的曲线越接近，回归越容易「飘」。所以固定 α 再回归 τ，是数值上更稳的选择，不是偷懒。

代码 2：带界最小二乘回归 + 参数回收测试（numpy / scipy）

环境：Python 3.9+，依赖 numpy、scipy。
数据来源说明：本段不引用任何真实实验数据，而是用「已知真值参数 → 生成伪 VLE 数据 → 加噪 → 回归」的参数回收测试验证流程。这是参数估计中最标准的自检手段：如果连自己造的数据都回收不回来，就不要拿真实数据去回归。

# enrtl_regress.py —— eNRTL 风格交互参数的最小二乘回归 + 可辨识性诊断# 环境：Python 3.9+ / numpy / scipyimportnumpyasnpfromscipy.optimizeimportleast_squares# ---------- 1) 前向模型：与代码 1 保持同一套简化式 ----------def_ln_gamma_local(x_s,tau_sm,tau_ms,alpha=0.2):G_sm=np.exp(-alpha*tau_sm)G_ms=np.exp(-alpha*tau_ms)x_m=1.0-x_s t1=x_s**2*tau_sm*(G_sm/(x_m+x_s*G_sm))**2t2=x_m**2*tau_ms*(G_ms/(x_s+x_m*G_ms))**2returnt1+t2defpseudo_observable(x_s,tau_sm,tau_ms):""" 把 ln gamma 映射成一个「类 VLE 观测量」。 为什么不做真实 VLE：真实 p_CO2 还需要亨利常数与化学反应平衡， 那部分不属于本篇（属第 7 篇动力学与反应平衡的范围）。 这里只用单调映射，保证回归问题结构与真实回归一致： 观测量 = 1 + ln gamma，相当于把活度系数按理想溶液归一化后的相对偏离。 """return1.0+_ln_gamma_local(np.asarray(x_s,float),tau_sm,tau_ms)# ---------- 2) 造「伪数据」：先定真值，再加指定水平的相对噪声 ----------rng=np.random.default_rng(20260912)# 固定随机种子，保证可复现TAU_TRUE=np.array([1.80,-0.60])# 真值参数（示意值，非真实体系参数）x_exp=np.linspace(0.02,0.38,25)# 25 个「实验点」的盐摩尔分数NOISE=0.01# 1% 相对噪声（对应较好的分析精度）y_clean=pseudo_observable(x_exp,*TAU_TRUE)y_exp=y_clean*(1.0+NOISE*rng.standard_normal(x_exp.size))# ---------- 3) 目标函数：残差向量（least_squares 需要返回残差本身） ----------defresiduals(tau):returnpseudo_observable(x_exp,tau[0],tau[1])-y_exp# ---------- 4) 带界回归 ----------# 为什么必须用 method="trf"：levenberg-marquardt 不支持 bounds，只有 trf/dogbox 支持。# 为什么要给界：tau 的物理量级通常是有界的（几十以内），无界回归极易跑到# 无物理意义的解上去（例如 |tau| > 50 对应几百 kJ/mol 的交互能，不成立）。result=least_squares(residuals,x0=np.array([1.0,0.0]),# 初值：从「接近理想」出发，是电解质回归的安全起点bounds=([-10.0,-10.0],[10.0,10.0]),method="trf",xtol=1e-12,ftol=1e-12,gtol=1e-12,)tau_hat=result.xprint("回归结果：",np.round(tau_hat,4)," 真值：",TAU_TRUE)print("参数回收误差：",np.round(np.abs(tau_hat-TAU_TRUE),4))print(f"残差平方和 ={result.cost*2:.6e}迭代次数 ={result.nfev}")# ---------- 5) 可辨识性诊断：看 Jacobian 的奇异值 ----------# 为什么看奇异值：least_squares 的 jac 是 d(残差)/d(参数) 的矩阵。# 如果最小奇异值远小于最大奇异值（条件数很大），说明参数方向「几乎不可分辨」，# 此时即使拟合优度很好，参数也是不可信的。J=result.jac sv=np.linalg.svd(J,compute_uv=False)print("Jacobian 奇异值 =",np.round(sv,4))print(f"条件数 ={sv[0]/sv[-1]:.2f}（>1e3 提示参数强相关，需固定其中一个）")# 预期输出（本机实测，随机种子 20260912，NOISE=1%）：# 回归结果：[1.6918 -0.5969] 真值：[1.80 -0.60]# 参数回收误差：[0.1082 0.0031]# Jacobian 奇异值条件数 = 41.26，残差平方和 = 4.993e-04# 反直觉：1% 的测量噪声就让 tau_sm 偏了 0.108（约真值的 6%），而 tau_ms 几乎不动。# 这说明"哪个参数更可信"取决于观测量对它的灵敏度，不能一概而论，# 也不能只看条件数——条件数 41 看起来"很健康"，但 tau_sm 已经不精确了。

逐段剖析：

• 第 2 段把随机种子固定成20260912，是为了让「参数回收误差」这个判据可复现；否则同一份代码每次跑出的误差不同，无法作为验收标准。
• 第 4 段的x0 = [1.0, 0.0]是非随机因子式初值：τ=1 量级对应约 2.5 kJ/mol 的交互能，接近理想溶液；从理想出发再让回归器往外走，比从随机初值出发更少陷入局部极小。
• 第 5 段是新手最容易跳过、但最重要的一步。拟合残差小 ≠ 参数可信。判断可信度看的是 Jacobian 奇异值（或参数相关系数矩阵），这和第 14 篇用交叉验证判过拟合是同一件事的两种表述。

代码 3：Aspen COM 侧——不做「硬编码路径」，先做路径考古

环境：Windows + 本机已安装 Aspen Plus 桌面版 + Pythonpywin32。
风险声明：Apwn.Document、InitFromArchive2、Tree.FindNode、Node.Value、Engine.Run2()、Reinit、SuppressDialogs、Application.Export(code, filename)均来自第三方可运行实现与官方示例佐证，属第三方示例，随作者更新可能失效；Export的代码含义以《Aspen Plus User Guide》第 38 章（需账号）为准。带版本后缀的 ProgID（如Apwn.Document.37.0）未获官方确认，需在本机验证。

# aspen_path_archaeology.py —— 电解质/物性相关节点的路径考古脚本# 环境：Windows + Aspen Plus 桌面版已安装 + pywin32# 说明：物性方法相关节点的树路径名未在权威源核实，因此本脚本不硬编码，# 而是「先探测、再打印、由人确认」，把路径写进配置后复用。importwin32com.clientaswin32 PROGID="Apwn.Document"# 第三方实现常用 ProgID；需在本机验证ARCHIVE=r"D:\cases\mea_absorber.apw"# 换成你自己的 .apw / .bkp# 候选路径清单：只放两类——# (a) 已被权威/第三方代码证据确认存在的路径（Streams/Blocks）；# (b) 你从 Aspen GUI 里「抄」下来的路径（物性/电解质相关节点请自己补）。# 为什么这么做：接口随版本演进会迁移，硬编码路径在升级后必断；# 把路径当配置项、用存在性探测兜底，是脚本长期可用性的关键。CANDIDATE_PATHS=[r"\Data\Streams\FEED\Input\TOTFLOW",# 已验证示例（改流量）r"\Data\Blocks\B1\Input\BASIS_RR",# 已验证示例（改精馏/分离设定）# r"\Data\Properties\...", # <-- 物性/电解质参数节点：请从 GUI 抄录后填入]defprobe(app,path):"""探测单个路径是否存在；不存在返回 None 而不是抛异常。"""try:node=app.Tree.FindNode(path)exceptExceptionasexc:# COM 在路径非法时可能直接抛错print(f" [异常]{path}->{exc}")returnNonereturnnodedefmain():app=win32.gencache.EnsureDispatch(PROGID)# 生成类型库包装，提速后续调用app.InitFromArchive2(ARCHIVE)# 从 .apw 启动仿真app.Visible=False# 关界面可提速app.SuppressDialogs=True# 批量脚本必须：否则收敛弹窗会挂死脚本print("== 路径考古 ==")inventory={}forpinCANDIDATE_PATHS:node=probe(app,p)ok=nodeisnotNoneinventory[p]=("OK"ifokelse"MISSING")print(f"{'OK 'ifokelse'MISS'}{p}")# 把探针结果落盘，便于版本升级前后做 diff：路径消失 = 需要迁移withopen("node_inventory.csv","w",encoding="utf-8")asfp:fp.write("path,status\n")forp,sininventory.items():fp.write(f'"{p}",{s}\n')# 只对探测成功的节点写值，避免在错误路径上静默失败node=probe(app,CANDIDATE_PATHS[0])ifnodeisnotNone:node.Value=100.0# 例如把进料总量设为 100# 重置 + 运行：两种写法在不同封装/版本中都被使用过，这里做「容错双写」# 为什么双写：权威证据里 Application.Run2() 与 Application.Engine.Run2() 并存，# 不存在唯一正确的写法，脚本应当自适应而不是假设一种。try:app.Reinit()exceptExceptionasexc:print(f"Reinit 失败（不同封装差异）：{exc}")ran=Falseforcallin(lambda:app.Engine.Run2(),lambda:app.Run2()):try:call()ran=TruebreakexceptExceptionasexc:print(f" Run2 变体失败：{exc}")print("运行发起成功"ifranelse"两种 Run2 写法都失败：请查版本与接口文档")# 导出：代码含义以《Aspen Plus User Guide》第 38 章为准（需账号）# 这里演示 .inp（代码 4）的写法，输出可用于外部工具复核物性参数表try:app.Export(4,r"D:\cases\mea_absorber.inp")print("已导出 .inp；请打开核对电解质参数表是否被完整写出")exceptExceptionasexc:print(f"Export 失败：{exc}")app.Quit()ifhasattr(app,"Quit")elseNone# 不同封装退出方法名未核实，做存在性保护if__name__=="__main__":main()

这一段真正的知识点不是 API，而是工程态度：物性/电解质节点的树路径在权威源中没有核实，所以脚本不写死它，而是「探测 → 落盘 → 人工确认 → 写回配置」。升级 Aspen 版本后重跑一次探针，把node_inventory.csv与旧版做 diff，就能在几秒内定位迁移断点，而不是等到批量扫描跑到第 30 个工况才崩。

三、常见报错与排查

报错 1：ValueError: Method 'lm' doesn't support bounds.
根因：least_squares的默认方法lm（Levenberg-Marquardt）不支持边界约束。
解法：显式写method="trf"。带界回归在电解质参数估计里几乎是必需的，因为 τ 有物理量级上限。

报错 2：回归出的 τ 量级荒谬（|τ| > 20）
根因有三种，按概率排序：(a) 把长程项参数与局部项参数一起回归，二者强相关；(b) CO₂ 分压这类跨数量级的观测量没取对数，大值点完全主导残差；© 数据温区太窄而仍在回归d·T项。
解法：固定长程项 → 改用对数残差 → 把温度依赖降阶（先只回归a，再加b/T）。

报错 3：Aspen 提示某对组分缺少物性参数
根因：电解质向导没有为「分子-离子」或「离子-离子」对生成参数，或者你手动删掉了某些对。
解法：先确认体系物种集是否完整（MEA-H₂O-CO₂ 需要 MEACOO⁻、HCO₃⁻ 等，见第 3 篇的物种清单），再交给向导重新生成；不要手工给离子-离子对填自由值——eNRTL 的设计就是让它们由分子-离子对导出。

报错 4：Tree.FindNode(path)返回None，但脚本没报错
根因：COM 在路径不存在时返回None而非抛异常，于是「静默失败」——你以为改了参数，其实什么都没改。
解法：所有FindNode之后立即做if node is None: raise，或直接采用代码 3 的探针模式并落盘比对。

报错 5：与实验 VLE 存在系统性偏差，且残差随负载单调漂移
根因：这不是参数问题，是模型结构问题——常见于体系里存在未纳入的反应路径（例如只建了氨基甲酸盐路径，未纳入 CO₂ + OH⁻ → HCO₃⁻ 的水合路径）。
解法：先查物种子集与反应集，再谈回归。参数回归永远修不好一个结构错误的模型，这一点在第 7 篇（动力学）、第 14 篇（标定）会反复出现。

四、动手练习

练习 1（参数回收的噪声敏感性）
把代码 2 的NOISE依次设为 0.001、0.01、0.05，各跑一次，记录三组「参数回收误差」与「Jacobian 条件数」。
成功判据（本机实测基线）：噪声 0.001 时tau_sm回收误差约 0.011，0.01 时约 0.108，0.05 时约 0.462——误差放大约 40 倍；而 Jacobian 条件数反而从 45.1 降到 30.7。能解释「为什么条件数没有随数据变差而恶化，误差却涨了 40 倍」，说明你真正理解了拟合优度、条件数与参数可信度是三个不同的东西。

练习 2（温度依赖的可辨识性）
把前向模型改成tau_sm = a + b/T（T 取 313.15 K 与 333.15 K 两组，跨度 20 K），回归a、b。
成功判据：b的回收误差与a相比显著更大（通常大 3~10 倍），条件数上升到 1e2 以上。这个练习让你亲手摸到 1.2 节那个结论：窄温区回归高阶温度项是过拟合。

练习 3（本机路径考古）
在你能访问 Aspen Plus 的机器上跑代码 3，把CANDIDATE_PATHS里注释掉的物性节点补全（从 GUI 抄路径），生成node_inventory.csv。
成功判据：node_inventory.csv中至少一条物性/电解质相关路径为OK，且你能说清这条路径对应的是哪一类参数（交互参数 / 平衡常数 / 传递物性）。若本机无 Aspen Plus，务必在记录中标明「未验证」，不要凭记忆填写路径。

五、小结与下一篇预告

本篇把 eNRTL 从「一个模型名」落成了「一条可追溯的参数链」：引用固定在 Chen & Evans (1986)，参数来源只有文献参数集 / 电解质向导 / 自己回归三条路，判断参数可信度看 Jacobian 奇异值与交叉验证而不是看残差平方和，Aspen 侧的实际困难是节点路径会随版本迁移——用探针脚本管理而不是硬编码。

但到目前为止，我们回归用的都是自己造的伪数据。参数好不好，最终要拿真实中试数据说话。下一篇（第 14 篇）转向中试数据标定：用 TCM 公开出版物集与 CCSI 报告中被 NCCC（Wilsonville, Alabama）中试整定过的数据，建立「数据清洗 → 稳态筛选 → 参数选择 → 误差度量 → 交叉验证」的完整闭环，并给出 TCM MEA 基线 SRD 从 4.10 到 3.62 GJ/t 的标定对照表。第 3 篇建立的模型选型、第 7 篇的动力学参数不确定度，都会在这条标定链上重新出现。

本篇认知问题回显（FAQ）

Q1：eNRTL 模型的标准文献引用是 Chen & Evans (1986) 还是 Chen & Song 2004？

A：eNRTL 的规范引用是 Chen & Evans (1986)，Chen & Song (2004) 则是 NRTL-SAC 溶解度模型，两者不是同一个模型，不能互相替代。

Q2：eNRTL 的活度系数由哪几部分构成，被回归的参数是什么？

A：eNRTL 活度系数由长程静电项与局部组成（NRTL 型）项叠加；回归的是局部项交互参数 τ，离子-离子对参数由分子-离子对导出，不独立回归。

Q3：怎么用 scipy 对 eNRTL 参数做带界回归，并判断参数可辨识而不是过拟合？

A：用 scipy 的 least_squares 并把 method 设为 trf，给 τ 加物理上界；再查 Jacobian 条件数，超 1e3 说明参数强相关、不可辨识。

Q4：Aspen Plus 电解质向导生成 MEA-H2O-CO2 的 eNRTL 参数有官方步骤文档吗？

A：有，但官方步骤文档需 AspenTech 授权账号才能获取，本文不臆造菜单路径；工程上应先确认物种集完整，再让向导生成参数。

Q5：DWSIM 能直接替代 Aspen 做 eNRTL 电解质热力学吗？

A：不能。DWSIM 属性包注册表有 NRTL、UNIQUAC、UNIFAC、IdealElectrolyte、CAPEOPEN，无 eNRTL 专用包，不能断言其支持 eNRTL。