en innovativ metode til regression af termodynamiske egenskaber af rene væsker blev for nylig foreslået. Teknikken, angivet som en udvidet tilstandsligning, vedtager en ramme svarende til den udvidede tilsvarende tilstandsmetode, men en kubisk ligning antages i stedet for referencevæskens tilstandsligning, og formfunktionerne udtrykkes gennem et flerlags fremadgående neuralt netværk. Anvendelsen af et neuralt netværk sikrer en meget høj fleksibilitet i den funktionelle form, der skal regresseres, så den resulterende model når en repræsentationsnøjagtighed, der kan sammenlignes med den, der opnås ved state-of-the-art multiparameter tilstandsligninger i repræsentationen af de termodynamiske egenskaber af en ren væske. Teknikken blev anvendt her til svovl geksafluorid sigter mod at tegne sin dedikerede tilstandsligning i en heuristisk tilstand direkte fra de tilgængelige eksperimentelle data. Det kritiske punkt er Tc=318,7232 K og Pc=3.754983mpa), eksperimentelle data for flere egenskaber i homogene tilstande og af egenskaber ved fasebalance er tilgængelige. Dataene dækker omtrent området fra triple-punkttemperaturen ved 223.6upto625k og for tryk op til 60mpa. Regressionsproceduren blev udviklet på en delmængde af godt fordelt tæthed og damp–væske sameksistensdata, det såkaldte “træningssæt”, og modellen blev successivt valideret for alle datasæt, herunder litteraturkilderne, der rapporterede værdier for isobarisk varmekapacitet, lydhastighed og Joule-Thomson–koefficient. De opnåede resultater er tilfredsstillende; faktisk repræsenterer den foreslåede tilstandsligning de tilgængelige data inden for deres eksperimentelle nøjagtighed.