活性化合物热稳定性预测技术研究进展

为了研究活性化合物热稳定性预测技术,调研了国内外活性化合物热稳定性预测技术的发展情况,综述了活性化合物起始放热温度、分解热、自加速分解温度的预测方法,着重介绍了定量结构-性质相关性（QSPR）研究方法在热稳定性预测领域的应用情况,分析了活性化合物热稳定性预测早期研究情况。基于量子力学计算的QSPR研究情况、QSPR数据样本的选取、分子描述符的选取、QSPR建模方法的选择,提出了热稳定性QSPR预测领域中存在的问题,并对热稳定性QSPR预测技术未来的发展方向进行了展望。     

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...     

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。     

QSPR在混合物典型燃爆特性预测中的研究进展

为全面了解定量结构-性质关系（QSPR）方法在混合物燃爆特性预测中的研究现状,展望其发展趋势,综述其在混合物闪点、爆炸极限与自燃温度预测中的国内外研究进展,分析预测目标参数的选择、数据收集、描述符计算和筛选以及模型建立和验证等方面的不足与研究方向。结果表明:QSPR在混合物燃爆特性预测中尚处于起步阶段,当前研究的首要限制是混合物燃爆特性参数实验数据样本不足,关键点及难点是混合物结构的准确表征,未来研究应关注的重点是大量数据源统一的数据样本的获取方法、非加和性混合物分子描述符的计算方法以及机器学习等非线性建模方法。     

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。     

芳烃类化合物结构表征及-lgK_(ow)定量预测

为探寻芳烃类有机物结构与正辛醇/水分配系数(-lgK_(ow))的关系,应用分子顶点及顶点相互作用矢量对芳烃类有机物进行了结构表征.采用多元线性回归及逐步回归建立了3个定量结构-性质关系的-lgK_(ow)模型.经过比较,发现模型M3具有最佳模拟结果,此时模型的复相关系数为0.946,标准偏差为0.392.为检验模型的稳定性,采用留一法(leave-one-out)对模型进行了交互检验,复相关系数为0.920,标准偏差为0.429.     

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。     

MNLR and ANN structural group contribution methods for predicting the flash point temperature of pure compounds in the transportation fuels range

A QSPR method is presented for predicting the flash point temperature (FPT) of pure compounds in the transportation fuels range. A structural group contribution method is used to determine the flash point temperature using two techniques: multivariable nonlinear regression and artificial neural networks. The method was used to probe the structural groups that have significant contribution to the overall FPT of pure compounds and arrive at the set of 37 atom-type structural groups that can best represent the flash point for about 375 substances. The input parameters to the model are the number of occurrence of each of the 37 structural groups in each molecule. The neural network method was the better of the two techniques and can predict the flash point of pure compounds merely from the knowledge of the molecular structure with an overall correlation coefficient of 0.996 and overall average and maximum errors of 1.12% and 6.62%, respectively. The results are compared to the more traditional approach of the SGC method along with other methods in the literature.     

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.     

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。