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。     

二元部分互溶液体闪点的支持向量机(SVM)预测与实验研究

建立了一个基于支持向量机的理论模型,用于预测二元部分互溶混合液体的闪点.根据所研究混合液体的物理性质,选择了纯物质的黏度、表面张力、配比、燃烧下限等物理参数来表征闪点,以这些参数作为输入参数,二元部分互溶液体的闪点作为输出值,应用支持向量机方法对两者之间的内在定量关系进行模拟.结果表明,闪点预测值与实验值符合良好.为工...     

混合液体火灾爆炸危险性——闪点预测与实验研究

支持向量机应用核函数技术,已经成为当前国际上一个研究的热点,由于支持向量机具有良好的理论基础和泛化性能,可将其引入到混合液体闪点预测的研究之中,以期建立准确、高效的预测模型。本文建立了一个基于支持向量机的理论模型,用于预测二元互溶混合液体的闪点。根据所研究混合液体的物理性质,选择了纯物质的粘度、表面张力、配比、燃烧下限等物理参数来表征闪点,以这些参数作为输入参数,二元混合液体的闪点作为输出值,应用支持向量机方法对两者之间的内在定量关系进行模拟。结果表明,闪点预测值与实验值符合良好。本方法的提出为工程上提出了一种预测二元互溶液体闪点的有效方法,可应用于评估混合溶液的火灾爆炸危害性及本质较安全设计。     

正丁醇-乙二醇二元混合液体系的闪点性能研究

使用一种二元理想溶液的闪点预测模型预测不同物质的量配比的正丁醇-乙二醇混合物的闪点,分析闪点预测值的变化规律,并进行非线性拟合,得出拟合方程。随后进行一系列实验测定不同物质的量和体积配比的混合物闪点,分析两者的数据变化趋势及影响因素。最后将闪点实验值与预测值进行对比,得出正丁醇-乙二醇的混合可燃液体整体闪点虽然较低,但有一定的危险性。     

基于人工神经网络的二元液体闪点预测

建立了一个基于人工神经网络的理论模型,用于预测二元混合液体的闪点.根据所研究混合液体的物理性质,选择了相关黏度、表面张力等物理参数来表征闪点,以这些参数作为输入参数,二元混合液体的闪点作为输出值,应用反向传播(BP)人工神经网络方法对两者之间的内在定量关系进行模拟.结果表明,闪点预测值与实验值符合良好,优于传统的计算方...     

低压条件下燃油开闭口闪点变化规律的实验研究

闪点是可燃液体的重要物性,同时也是衡量其火灾危险性的重要参数之一。随着航空火灾领域以及燃油运输使用的安全问题日益突出,研究可燃液体闪点与环境压力的关系尤为重要。利用全自动开、闭口闪点仪,通过低压舱模拟不同的环境大气压力,分别依据国家标准261-2008A(闭口杯法)和3536-2008(开口杯法)在大气压力33kPa~101kPa范围内进行了闪点测量,研究不同环境压力下,航空煤油和柴油开、闭口闪点的变化规律关系。实验结果表明,两种燃油开、闭口闪点均随环境压力降低(即海拔高度的升高)而下降,并且非线性拟合优于线性拟合。压力降低导致燃油火灾危险性显著提高。研究结果可为飞机油箱安全设计以及油品在高原环境中生产运输的防火管理提供科学依据。     

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。     

危险化学品安全知识(下)

正(接上期)十一、易燃、可燃液体是如何分类的?根据闪点,将能燃烧的液体分为两类四级:第一级:闪点在28℃以下,如汽油、酒精等。第二级:闪点在28~45℃之间,如丁醇、煤油等。第三级:闪点在46~120℃之间,如苯酚、柴油等。第四级:闪点在121℃以上,如润滑油、桐油等。属于第一、第二级的液体称为易燃液体,属于第三、第四级的液体称为可燃液体。十二、化学品中毒应急     

二元混合液体闪点的计算

以混合溶液纯组分易燃液体闪点的饱和蒸气压为基础,应用乌拉尔定律、双液系的气-液相平衡理论,运用Le Chatelier方程和安托因方程导出二元混合液的闪点计算方法。并例举易燃液体与易燃液体组成的理想混合液、易燃液体与易燃液体组成的非理想混合液、易燃液体与不燃液体组成的非理想混合液的计算过程。乙醇溶液闪点的计算结果与现有的文献资料比较,误差在允许范围内。计算数据用Excel处理,快捷准确,用于确定二元混合液体的火灾危险性。     

易燃与可燃液体的特性

正凡遇火、受热或与氧化剂接触能着火或爆炸、闪点≤60℃的液体称为易燃液体。评价液体的火灾爆炸危险性,可以按液体的下述物理化学性质来进行。(1)闪点和燃点闪点和燃点是鉴别液体火灾危险性的重要标志,闪点和燃点越低则越易引起燃烧。对于易燃液体,由于燃点和闪点很接近,一般只差1℃~5℃,因此在有关资料中只标记闪点而不标记燃点。对于可燃液体,其闪点在100℃以上的,它们的闪点和燃点之间相差30℃以上。在生产中控制在燃点以下,即可达到安全生产的目的。     

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.     

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。     

基于遗传算法的支持向量机预测有机物自燃点的研究

根据定量构效关系(QSPR)原理,研究自燃点(AIT)与其分子结构间的内在定量关系。以265种有机化合物作为样本集,随机选择238种作为训练集,27种作为测试集,用遗传算法(GA)进行变量选择,分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型研究有机物的自燃点与其分子结构间的关系。通过分析,发现造成模型预测效果不佳的原因是试验数据本身存在问题。通过对2个模型的比较,结果为GA-SVM模型明显优于GA-MLR模型,说明自燃点与其分子结构间具有很强的非线性关系。     

可燃气体(液体蒸气)爆炸测试装置的改进研究

以可燃气体(液体蒸气)爆炸测试装置改进为主线,综述国内外各种测试装置的优缺点。对不同装置、测试方法以及测试原理进行比较分析,研讨可燃气体爆炸的特点和爆炸参数测试方法以及对现有测试装置的改进方案。即对20 L爆炸测试装置的配气系统和控制系统进行了合理改进,使引射混合配气与循环混合配气相结合,使可燃气体(液体蒸气)与空气混合更均匀,控制操作更简便,还指出了今后研究工作中应注意的一些问题和研究重点。     

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。     

纳米碳管在有机分子混合体系中的分散机制研究进展

纳米碳管(CNTs)的分散和聚合性能是影响其环境行为的重要因素。综述了单一和二元有机分子体系对CNTs分散机制的影响,单一有机分子体系中CNTs受分散剂性质影响。分散机制以静电排斥机制、空间位阻机制和胶束溶解机制为主;在二元有机分子混合体系中,CNTs的分散状况受二元有机分子的性质、种类及混合分子加入顺序多种因素的共同影响。在有机分子混合体系中,CNTs的分散能力并非单一有机分子作用下分散能力的简单加和,混合体系单一组分功能与整体性功能之间的差异不能被忽略。强调应对有机分子混合体系中各组分间的复合分散作用给予更多关注。提出通过对有机分子混合体系组分、结构多样性的宏观统计学描述,建立有机分子混合体系组分、结构多样性与其分散CNTs之间的关联,可能成为认识CNTs环境分散行为的新思路。     

基于支持向量机的高速公路事件检测

针对交通领域中的事件检测(无事件模式和事件模式)模式识别问题,描述了支持向量机(SVM)支持的基本方法,建立了基于线性(linear function)、多项式(polynomial function)和径向基(radial basis function)3种核函数的事件检测SVM模型。采用高速公路路段I-880线圈数据集和事件数据集验证模型,结果发现:无论对于向北、向南或混合方向的事件检测,在3个SVM模型中,SVM(P)检测效果最好,SVM(L)最差。SVM算法具有避免局部最小,实现全局最优化,更好的泛化效果的优点,是高速公路事件检测的一种很有潜力的算法。     

蛋鸡粪便理化指标与其肥料成分含量相关关系研究

为了寻找快速、简便、精确地测量液体蛋鸡粪便中总氮(TN)、总磷(TP)、有机物(OM)、铵态氮(AN)和总钾(TK)含量的方法,研究了采样前将样品搅拌或静置对所取样品代表性的影响,并用75份生长期为4～6月龄蛋鸡的液体粪便样本建立了密度(SG)与TN、TP、OM,电导率(EC)与AN和TK的一元线性回归模型以及SG、EC、pH与TN、TP、OM、AN和TK的多元线性回归模型.结果表明,对于TN、TP、OM、AN,采样前将样品充分搅拌是获得代表性样本的前提条件,而搅拌与否并不影响TK代表性样本的获得.SG与TN、TP、OM,EC与AN和TK均存在显著的线性相关性(P＜0.001),模型的决定系数(R2)均较高,分别为0.94,0.94,0.95,0.94和0.94,多元线性模型的决定系数高于一元线性模型的决定系数.用另外15份样本对5个一元线性回归模型进行验证,并对模型系数b和常数项a进行t检验,得出在显著水平α=0.05上,假设Ha0:(a)=0和Hb0:(b)=1全部接受.由此认为,SG与TN、TP和OM,EC与AN和TK所建立的一元线性回归模型均具有较好的预测效果.     

基于循环神经网络的缓坡场地液化侧移预测*

为预测缓坡场地地震液化侧向位移,基于改进自适应算法（Rectified Adam）和循环神经网络模型（RNN）,提出液化侧移预测模型RA-RNN,通过对侧移数据进行样本学习,并利用改进自适应算法优化循环神经网络结构,验证RA-RNN模型可靠性,并与多元线性回归法（MLR）计算结果进行对比。结果表明:RA-RNN模型计算得到侧移一般为实测位移的0.7~1.3倍,训练结果R2,RMSE,MAE分别为0.977,0.375,0.141;土耳其科喀艾里RA-RNN模型预测结果RMSE和MAE为MLR模型的1/26,1/830;中国台湾集集镇RA-RNN模型预测结果RMSE和MAE为MLR模型的1/18,1/350,RA-RNN模型预测结果较优,预测精度及泛化能力得到很大提升。     

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。