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。     

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。     

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.     

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。     

建筑工程安全文明施工费预测精度研究

为准确测算建筑工程安全文明施工费,提出案例推理技术(CBR)-最大信息系数(MIC)-随机森林(RF)预测模型方法。通过实地调研61个典型工程样本数据,选择12个安全文明施工费的影响因素作为候选特征变量,采用CBR进行样本相似度检索以构建模型的训练样本集,运用MIC确定关键特征变量输入模型,组合建立3种RF模型(RF、MIC-RF和CBR-MIC-RF),并通过实证分析其预测精度。结果表明：通过样本相似度检索和识别关键特征变量,可显著提高RF模型的预测精度(平均绝对百分比误差(MAPE)为3.35%);模型预测精度随不同等级的相似度阈值呈“U”型变化,设置合适的相似度阈值对提升模型的预测效果至为关键;CBR-MIC-RF模型可获得比支持向量机模型更好的预测性能。     

地铁站抗涝韧性影响因素识别与分层研究

为探究地铁站抗涝韧性因子之间的关系，提升地铁站的抗涝韧性，系统分析地铁站抗涝韧性影响因子间的重要程度及层级关系。以近年我国发生的地铁站内涝灾害事故案例为基础，基于韧性的概念，结合技术-组织-社会-经济(Technical-Organizational-Social-Economic, TOSE)模型识别地铁站抗涝韧性影响因素，通过Delphi法确定22个影响因素；采用矩阵决策实验室分析法(Decision-Making Trial and Evaluation Laboratory, DEMATEL)研究因素之间的相互影响关系，计算不同因素的重要程度，将因素聚集为强驱动集、弱驱动集；利用偏序规则，将对抗解释结构模型法(Adversarial Interpretative Structural Modeling method, AISM)与DEMATEL联系，构建地铁站抗涝韧性影响因素的多级递阶层次模型，分析韧性影响因素间的综合影响关系。结果表明：地铁站抗涝韧性影响因素分为直接、过渡与根源3类因素；水位监测与预警技术智能化、防洪专项应急预案完善度、应急响应速度、车站管理人员风险意识、排水...     

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。     

Nonlinear molecular based modeling of the flash point for application in inherently safer design

New chemical process design strategies utilizing computer-aided molecular design (CAMD) can provide significant improvements in process safety by designing chemicals with required target properties and the substitution of safer chemicals. An important aspect of this methodology concerns the prediction of properties given the molecular structure. This study utilizes one such emerging method for prediction of a hazardous property, flash point (FP), which is in the center of attention in safety studies. Using such a reliable data set comprising 1651 organic and inorganic chemicals, from 79 diverse material classes, and robust dynamic binary particle swarm optimization for the feature selection step resulted in the most efficient molecular features of the FP investigations. Apart from the simple yet precise five-parameter multivariate model, the FP nonlinear behavior was thoroughly investigated by a novel hybrid of particle swarm optimization and support vector regression. Besides, 195 missing experimental FPs of the DIPPR data set are predicted via the presented procedure.     

Development of machine learning based prediction models for hazardous properties of chemical mixtures

Lower flammability limit (LFL), upper flammability limit (UFL), auto-ignition temperature (AIT) and flash point (FP) are crucial hazardous properties for fire and explosion hazards assessment and consequence analysis. In this study, a comprehensive prediction model set was constructed by using expanded chemical mixture databases of chemical mixture hazardous properties. Machine learning based gradient boosting quantitative structure-property relationship (GB-QSPR) method is implemented for the first time to improve the model performance and prediction accuracy. The result shows that all developed models have significantly higher accuracy than other regular QSPR models, with the 5-fold cross-validation RMSE of LFL, UFL, AIT, and FP models being 1.06, 1.14, 1.08, and 1.17, respectively. All developed QSPR models can be used to estimate reliable chemical mixture hazardous properties and provide useful guidance in chemical mixture hazard assessment and consequence analysis.     

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。     

Correlation between flash points and vapor pressures of organic compounds

Correlations between flash points and vapor pressures at 25 °C for pure organic compounds were investigated. It was found that classification of organic compounds according to their chemical-structural characteristics (e.g., functional groups) was necessary for the correlation study. Under this classification, linearity seems to be the most appropriate correlation to explain the relationship between the inverse of flash points (°K) and the logarithm of vapor pressures (mm Hg) at 25°C for pure organic compounds. A test study to evaluate the validity of a regression line as an estimation of an unknown flash point from a known vapor pressure was carried out with a data set containing 31 alkanes and aromatics; 55% of the flash points were predicted within ±5°Cand89% were within ±10°C. Within limits of ± 5 to 10°C the procedure is useful but should be improved.     

基于BP神经网络的二元混合液体自燃温度预测

为了给工业界提供一种快速预测二元混合液体自燃温度的有效途径,将试验所测不同组分及配比的168个二元混合液体的自燃温度作为期望输出,将基于电性拓扑状态指数(ETSI)理论、引入混合ETSI概念而计算出的9种原子类型所对应的混合ETSI作为输入,采用三层BP神经网络技术建立了根据原子类型混合ETSI来预测混合液体自燃温度的BP神经网络模型,并应用改进的Garson算法进行多参数敏感性分析。经模型评价验证及稳定性分析,得到训练集的决定系数R2为0.965,平均绝对误差MAE为11.892 K,测试集的交叉验证系数Q2ext为0.923,平均绝对误差MAE为15.530 K,发现该模型的预测性能优于已有的多元非线性回归(MNR)模型,表明BP神经网络模型具有较好的拟合能力和预测能力,对烷、醇类混合体系自燃温度的预测精度最佳。