基于QSPR方法的脂肪醇化合物闪点预测

为提高脂肪醇化合物闪点预测精度,提出基于定量结构-性质关系(QSPR)原理的脂肪醇化合物闪点预测方法。应用Dragon软件计算出91种脂肪醇的分子描述符,利用遗传函数算法(GFA)从1 481个描述符中筛选出3个与脂肪醇闪点关系最密切的分子描述符。分别用多元线性回归(MLR)方法和支持向量机(SVM)方法进行建模,并采用内部验证和外部检验的方式对模型的拟合度、预测性等性能进行验证。结果表明:预测集的MLR方法和SVM方法的平均绝对误差(AAE)分别为2.870 K和2.706 K;均方根误差(RMSE)为3.451 K和3.371 K。SVM模型在精度上略优于MLR模型,而MLR模型更为简单和方便。     

基于支持向量机的脂肪族化合物急性毒性的QSAR研究

基于定量结构-活性相关性(QSAR)原理.研究了106种脂肪族化合物结构与其急性毒性LC50(半数致死浓度)之间的内在定量关系.应用遗传算法从大量结构参数中优化筛选出与LC50最为密切相关的4个参数作为分子描述符,分别采用支持向量机(SVM)方法和多元线性回归(MLR)方法建立了相应的QSAR预测模型.分别采用内部验证及外部验证的方式对所建模型性能进行了验证.研究表明,2种模型均具有较高的稳定性、预测能力及泛化性能.其中支持向量机模型对训练集和预测集样本的预测平均绝对误差分别为0.336和0.364,优于多无线性同归方法所得结果.     

基于QSPR方法的活性化合物热稳定性预测研究

为形成安全、可靠、便捷的活性化合物热稳定性预测方法,快速获取活性化合物热稳定性参数,采用定量结构-性质相关性(QSPR)方法,针对38种有机过氧化物和104种硝基化合物的起始放热温度和分解热,结合遗传函数算法(GFA)和“断点原则”筛选出的分子描述符,利用遗传算法(GA)优化的BP神经网络,建立活性化合物的热稳定性GA-BP预测模型,验证分析模型的性能和应用域。研究结果表明:所建立的GA-BP模型具有良好的拟合能力、稳定性和预测能力,优于线性模型,说明活性化合物热稳定性与分子结构之间存在非线性关系;同时,得出影响活性化合物热稳定性参数的主要结构因素。     

烃类及其衍生物闪点、沸点的定量构效关系

基于定量结构一性质相关性（QSPR）原理,研究了烃类及其衍生物闪点、沸点与其分子结构间的内在定量关系。应用CODESSA软件计算384种烃类及其衍生物的分子结构描述符,建立了闪点和沸点的QSPR模型。用最佳多元线性回归（B．MLR）方法筛选得到的分子描述符建立了线性回归模型。用B-MLR方法所选择的5个描述符作为支持向量机（SVM）的输入建立了非线性模型。所有的化合物被分为训练集和测试集,对每个模型的训练集和测试集的复相关系数、交互验证系数、均方根误差等进行了计算,并用测试集对模型的预测能力进行检验,预测结果表明：预测值与实验值均符合良好,所建立的闪点模型稳健,泛化能力强,预测误差小,预测的效果令人满意,但沸点的模型预测效果有待加强。相比烃类物质的模型,加了衍生物的模型性能均有所下降。     

有机磷农药对海洋扁藻毒性构效关系的密度泛涵理论研究

采用密度泛函理论方法,在B3LYP/6-311G**水平上,计算了11个有机磷农药化合物的结构参数,将结构参数作为理论描述符,导出了有机磷类化合物的分子结构参数与2种盐度(S=20,S=30)下扁藻毒性(-lgEC50)的定量关系式(式(3)和(6)),并用交叉验证法验证,相关系数R分别为0.923 2和0.893 3,交叉验证相关系数q2分别为0.527 0和0.540 5.在此基础上,预测了11种有机磷农药的毒性.研究表明,所得预测方程有较好的稳定性和较强的预测能力.可用于有机磷化合物的-lgEC50预测.     

咪唑类离子液体捕集CO_2性能的定量结构-性质相关性(QSPR)研究

CO_2是主要的温室气体,大量CO_2的存在严重影响着人类的生存环境和生态平衡,而咪唑型离子液体具有独特的气体溶解性,在CO_2的捕集分离中有很好的应用前景。基于定量结构-性质相关性(QSPR)原理,研究了咪唑类离子液体捕集CO_2的性能与其结构参数之间的内在定量关系。应用遗传算法获得与捕集量最为密切相关的一组描述符作为输入参数,随后,分别采用多元线性回归算法及支持向量机结合粒子群优化算法建立了咪唑类离子液体捕集CO_2的性能与其描述符之间的线性和非线性模型。多元线性回归算法得出训练集和测试集的复相关系数分别为0.765和0.814,支持向量机算法得出训练集和测试集的复相关系数分别为0.987和0.933。对预测模型进行了评价验证以及稳定性分析,结果表明,2种模型具有良好的稳定性能和预测能力。     

基于新型拓扑指数的咪唑类离子液体捕集CO2性能预测

大量温室气体CO_2的存在严重影响环境,而咪唑型离子液体具有独特的气体溶解性,在CO_2捕集方面的应用较为广泛。基于定量结构-性质相关性(QSPR)原理提出了一种新的描述符——拓扑指数(Topological Index,TI)描述符,研究了咪唑类离子液体捕集CO_2的性能与其拓扑指数描述符之间的内在定量关系。应用遗传算法获得与捕集量最为密切相关的一组拓扑指数描述符,将其与温度和压力一起作为输入参数,分别采用多元非线性回归算法及支持向量机算法建立了咪唑类离子液体捕集CO_2性能与其拓扑指数描述符之间的非线性模型。通过多元非线性回归算法得出训练集和测试集的决定系数分别为0.771和0.754,由支持向量机算法得出训练集和测试集的决定系数分别为0.990和0.981。对预测模型进行了评价验证及稳定性分析,结果表明,两种模型均具有良好的稳定性能和预测能力。根据拓扑指数描述符所建立的预测模型为工程应用提供了一种预测咪唑类离子液体捕集CO_2性能的有效方法。     

基于QSPR方法的烃类物质苯胺点预测

烃类物质在石油工业中有着非常广泛的应用.在石油工业中常用苯胺点来衡量有机溶剂的溶解性能.基于定量结构-性质相关性(QSPR)原理,根据分子结构计算反映分子结构信息的结构参数,应用遗传函数算法从大量结构参数中优化筛选出与烃类物质苯胺点最为密切相关的结构参数作为表征相应化合物结构特征的分子描述符,采用多元线性回归方法对分子描述符与苯胺点之间的定量函数关系进行关联,建立了预测烃类物质苯胺点的理论模型.最后,对模型进行了内部及外部验证来检验模型的可靠性.在此基础上,对所建立的预测模型进行机理解释,分析了影响烃类物质苯胺点的主要结构因素及其影响规律.研究表明,所建模型具有较高的稳定性和预测能力.     

基于神经网络的二元混合液体自燃温度预测

自燃温度(Auto-Ignition Temperature, AIT)是防火防爆安全设计的关键临界参数之一。为解决目前多数采用试验方法测量混合物AIT费时费力且有一定危险性的问题,运用定量结构-性质关系方法,使用反向传播神经网络(Back Propagation Neural Network, BPNN)和一维卷积神经网络(one-Dimensional Convolutional Neural Network, 1DCNN)技术建立二元混合液体AIT预测模型。以二元混合液体的分子描述符为输入、试验测得的AIT为输出,经多种方法对模型的拟合性、稳定性和预测能力评价验证。结果表明,BPNN模型和1DCNN模型均有良好的预测能力,其均方根误差分别为4.780℃和9.603℃,拟合度与5折交叉验证拟合度差值分别为0.058和0.040,表明BPNN模型有更好的拟合能力,1DCNN模型有良好的稳定性。     

基于分子结构的链烷烃辛烷值预测研究

基于定量结构-性质相关(QSPR)原理,研究化学物质的结构与性能之间的关系,应用遗传-偏最小二乘(GA -PLS)方法从大量结构参数中筛选出与链烷烃马达法辛烷值最相关的5个分子描述符,采用多元线性回归方法,建立了根据分子结构预测链烷烃马达法辛烷值的数学模型.结果表明,模型具有较高的稳定性以及预测能力.为工程上提供了一种...     

烃类沸点的定量构效关系研究

应用CODESSA软件计算296种烃类物质的分子结构描述符,分别用启发式回归（HM）和最佳多元线性回归（B-MLR）筛选计算出的所有分子描述符,并建立沸点的线性回归模型。用B-MLR方法筛选出的4个描述符作为支持向量机（SVM）的输入建立了非线性模型。预测结果表明：所建立的模型稳健,泛化能力强,预测误差小。非线性模型（R2=0.9905,RMSE=10.2295）的性能优于线性回归模型（HM：R2=0.9819,RMSE=14.0606;B-MLR：R2=0.9842,RMSE=13.1058）,预测效果令人满意。     

密度泛函理论方法用于部分农药Kow的QSPR模型研究

农药的正辛醇/水分配系数(lgKow)是研究农药在水中化学行为的重要参数.本文采用摇瓶法测得25℃时10种农药的正辛醇/水分配系数(lgKow),采用密度泛函理论(DFT)中的B3LYP方法,在6-31G*基组上全优化计算得到了10种农药的结构参数和热力学参数.在10种化合物的lgKow实验数据基础上,采用GQSARF 2.0程序.以结构参数和热力学参数作为理论描述符,得到预测lgKow的相关模型.其方程为lgKow=0.108-0.191μ-2.451Hθ/1000,决定系数R2为0.944 3.用变异膨胀因子(Variance Inflation Factors,VIF)和t值对模型进行了验证,结果显示模型具有较好的稳定性.而交叉验证法的相关系数q2为0.926 9,证明所建模型具有较强的预测能力.用所得模型预测了10种农药的lgKow,与实验测定值相比,方程的预测值与实验值都较接近,可见预测值较可靠,所建模型可用于同类农药lgKow的预测.     

纳米金属氧化物对人体细胞毒性效应的构效关系研究

为建立高效的纳米金属氧化物细胞生物毒性构效关系预测模型，研究了20种纳米金属氧化物在不同生物条件下对人正常肺上皮细胞(BEAS-2B)和角质层细胞(HaCaT)的毒性效应构效关系，并首次将元素周期描述符(定量描述符)与试验条件参数(定性描述符)相结合，共同表征金属氧化物的纳米结构特征。在采用支持向量机-特征递归消除法(Support Vector Machine-Recursive Feature Elimination, SVM-RFE)筛选的最优描述符作为输入参数的基础上，分别应用支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF)2种高效的建模方法，建立纳米材料构效关系(Structure-Activity Relationships for Nanoparticals, Nano-SAR)预测模型。2个算法训练集的准确率(ACC)均大于0.9,内部验证准确率均大于0.7,测试集外部验证的准确率也均大于0.8,模型验证结果表明2个算法均具有良好的稳定性和较强的预测能力。对比2个算法研究结果表明，RF算法优于SVM算法...     

应用电性拓扑状态指数预测烷烃自燃点

建立了一个基于人工神经网络的定量结构-性质相关性模型,用于52种烷烃化合物自燃点的预测研究。应用原子类型电性拓扑状态指数作为表征分子结构特征的描述符。该指数既能表征分子的电子特性,又反映其拓扑特征,同时易于计算,并有较强的同分异构体区分能力。采用误差反向传播（BP）神经网络方法对烷烃自燃点与电性拓扑状态指数间可能存在的非线性关系进行拟合。将52种烷烃样本随机划分为训练集（30种）、验证集（8种）和测试集（14种）,并通过“试差法”确定网络的最优参数。运用最佳网络结构[64—1]对实验样本进行模拟,结果表明,多数样本的自燃点预测值与实验值符合良好,对于测试集,平均预测绝对误差为8．4℃,均方根误差为11．8,优于多元线性回归方法和传统基团贡献法所得结果。该方法的提出为工程上提供了一种根据分子结构预测有机物白燃点的有效方法。     

硝基含能材料撞击感度的预测研究进展

简要回顾了国内外硝基含能材料撞击感度预测研究的发展状况,介绍了硝基含能材料撞击感度的预测方法,并对各类方法的优缺点以及适用性作了分析和讨论。着重对定量结构-性质相关性研究(QSPR)在撞击感度预测领域的应用与发展作了介绍,对样本集设计、描述符的筛选以及建模方法的选择作了分析与探讨。展望了含能材料撞击感度的预测研究的前景与发展方向。     

支持向量机对多环芳烃毒性的定量构效预测

为了实现多环芳烃(PAHs)毒性的有效预测,提出应用定量构效技术对多环芳烃的空气-正辛醇分配系数(KOA)和致癌性进行预测。应用分子描述符和试验值确立构效关系,采用支持向量机算法(SVM)和人工神经网络算法(ANN)分别建立了PAHs的KOA回归预测模型和致癌性分类预测模型。利用网格划分(GS)、遗传算法(GA)、粒子群算法(PSO)对SVM进行参数寻优。应用均方误差(MSE)、拟合决定系数R2和分类准确率(Accuracy)分别对模型进行了验证与评价。结果表明,最佳回归预测模型GS-SVR的MSE为0.059 7,R2为0.913 0;最佳分类预测模型GA-SVC的Accuracy为95%。研究表明:应用SVM所建两种模型的稳定性和预测能力都优于应用ANN建立的模型;参数优化后模型的稳定性和预测能力得到了提高。     

HNIW/HTPB传爆药的制备及性能研究

以HNIW为高能填料,以HTPB为粘结剂,采用真空浇注法制备了HNIW/HTPB传爆药。为研究HNIW基浇注型传爆药的爆炸特性,通过实验制备了HNIW/HTPB传爆药,并对其撞击感度、临界直径和爆速等性能进行了分析研究。结果表明,HNIW/HTPB传爆药对撞击作用较钝感,当HTPB的含量为12%时,其特性落高h50为51.68cm,临界直径小于0.6mm,它的实测爆速为8248m/s,接近其理论爆速8320m/s,且HNIW/HTPB传爆药各组分之间具有良好的相容性,因此该传爆药具有良好的安全性能和传爆性能,适合于微尺寸装药,从而具有广阔的应用前景。     

有机过氧化物反应热的危险性预测研究

为了采用非实验的方法对安全物质学的研究内容及研究方法进行初探,基于定量结构-性质关系法,选择13种与有机过氧化物热危险性的影响因子密切相关的描述符,分别对起始分解温度T0和分解热△H的实验数据进行多元线性回归、偏最小二乘和支持向量机回归分析,从而获得3种相应的预测模型。对比T0与△H的实验值和预测值,结果发现:SVM预测模型的精度高于PLS预测模型,MLR预测模型的精度最低;同种预测模型对分解热的预测结果均优于起始分解温度。此外,分析各预测模型的稳定性数据发现:MLR模型的预测过程发生了过拟合现象,不具备预测能力;PLS模型的交互验证系数均大于0.5,具备较稳定的预测能力;SVM模型的交互验证系数均大于0.9,具备非常稳定的预测能力。     

应用原子类型AI指数预测烃类燃烧热

以基于Xu指数的原子类型AI指数作为分子结构描述符,表征了80个液态烃的分子结构特征,并分别结合人工神经网络和多元线性回归方法,对这80种液态烃的燃烧热进行定量结构-性质相关性建模和预测研究。结果表明,基于Xu指数的原子类型AI指数能很好地表征烃类物质的分子结构特征。所建的最佳预测模型为基于Xu指数的原子类型AI指数多元线性回归模型,模型复相关系数为0.999,对测试集的平均预测相对误差为0.637%,模型预测值与实验值的一致性令人满意。     

二元互溶可燃混合液体闪点预测模型研究

基于定量结构-性质相关性(QSPR)原理,开展二元互溶可燃混合液体闪点与其结构信息间的内在定量关系(M-QSPR)研究。以332个不同组成和配比的二元互溶可燃混合液体闪点试验数据作为研究样本,根据体系中各纯组分的结构信息,计算相应的混合物描述符(SiRMS,Simplex Representation of Molecular Structure),应用遗传-多元线性回归(GA-MLR)算法从中优化筛选出一组与该体系闪点最密切相关的原子碎片参数作为输入参数,分别采用多元线性回归(MLR)和支持向量机(SVM)算法建立理论预测模型,并将其与文献已有模型进行比较。结果表明,MLR和SVM对测试集样本的平均绝对误差(AAE)分别为4.142 K、1.551 K,均方根误差(RMSE)分别为4.911 K、2.220 K,决定系数(R~2)分别为0.818、0.962。研究表明,影响二元混合液体闪点的主要SiRMS结构因素是■和■,并且随体系中■、■、■四原子碎片增多,闪点升高;随体系中■、■、■四原子碎片增多,闪点降低。同时,与内部交互作用和分子间非加和作用相比,分子间的可加和作用对该体系闪点的影响更为显著;与原子的局部电荷相比,原子类型对该体系闪点的影响更为显著。