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PSO-SVM的咪唑类离子液体捕集CO_2性能预测

CO_2是主要的温室气体,大量CO_2的存在严重影响着环境,而咪唑类离子液体具有独特的气体选择溶解性,在CO_2的捕集分离中有非常好的应用前景。基于支持向量机方法,结合粒子群优化算法(PSO-SVM)建立了咪唑类离子液体捕集CO_2性能的理论预测模型,该模型包含温度、压力、密度、黏度和表面张力5个主要参数。根据PSO算法,得到模型的最优参数为惩罚参数C=100,不敏感损失参数ε=11.699 7,核函数的宽度γ=0.279 2;SVM算法得出训练集的相关系数r=0.993,均方根误差RMSE=12.012,平均绝对误差AAE=4.117,测试集r=0.999,RMSE=4.766,AAE=3.028。对预测模型进行了评价验证以及稳定性分析,明确了咪唑类离子液体捕集CO_2性能的主要影响因素及其重要程度。     

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.     

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。     

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...     

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。     

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。     

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。     

基于粒子群-支持向量机(PSO-SVM)的苯储罐泄漏事故风险预测

将支持向量机(SVM)模型运用于事故前苯储罐泄漏事故风险预测,为使模型性能最优, 用粒子群算法PSO优化SVM模型参数,建立了PSO-SVM风险预测模型。为验证模型风险预测性能,分别采用遗传算法(GA)和网格搜索法(GS)优化SVM参数,并比较测试集与PSO-SVM、GA-SVM、GS-SVM三种模型预测结果的均方误差及相关系数。然后进一步探讨模型中权重调整方式、种群规模对PSO-SVM模型预测性能的影响。研究发现,权重线性递减所建PSO-SVM预测值与测试集相关系数更高、均方误差更小、预测效果更好,种群规模没有影响PSOSVM模型预测值但会影响计算时间,这为危化品泄漏事故的风险预测提供了一种新的方法。     

Leak location of pipelines based on transient model and PSO-SVM

An improved and integrated approach of support vector machine and particle swarm optimization theory (PSO-SVM) is first used to detect the leak location of pipelines and overcome the problem of multiple leaks. The calibration and predictive ability of improved PSO-SVM is investigated and compared with that of other common method, back-propagation neural network (BPNN). Two conditions are evaluated. One with a leak involves a set of 20 samples, while another with two leaks has 127 samples. Both internal and external validations are performed to validate the performance of the resulting models. The results show that, for the two conditions, the values calculated by improved PSO-SVM are in good agreement with those simulated by transient model, and the performances of improved PSO-SVM models are superior to those of BPNN. This paper provides a new and effective method to inspect the multiple leak locations, and also reveals that improved PSO-SVM can be used as a powerful tool for studying the leak of pipeline.     

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。     

基于PSO-SVM模型的隧道水砂突涌量预测研究

复杂工程地质条件下,隧道水砂混合物突涌的预测防控是隧道安全建设的基础,准确预测水砂混合物突涌量,为工程提供安全保障至关重要。为提高预测准确性,提出一种基于粒子群算法优化的支持向量机(PSO-SVM)的隧道水砂突涌量预测模型。综合考虑地质构造、气象条件、施工影响三类因素,选取七个因子,结合某公路隧道,利用PSO-SVM建立隧道水砂突涌量预测模型,并对该隧道水砂突涌量进行预测,结果与实际突涌量一致。证实综合粒子群算法和支持向量机优势的PSO-SVM方法预测精度高,且易于实现,为类似隧道工程突涌预测提供参考与借鉴。