本文關(guān)鍵詞：有機(jī)物的結(jié)構(gòu)與粘度等安全參數(shù)的定量構(gòu)效關(guān)系模型研究

  更多相關(guān)文章： 定量構(gòu)效關(guān)系 預(yù)測模型 粘度 熱容 熱導(dǎo)率 自燃點

【摘要】：熱安全在化工生產(chǎn)安全中占有極其重要的地位。本論文選擇粘度、熱容、熱導(dǎo)率和自燃點這四個安全參數(shù)進(jìn)行預(yù)測研究,對生產(chǎn)安全有著重要的理論意義和實用價值。基于QSPR (Quantitative Structure-Property Relationship)基本原理,構(gòu)建了有機(jī)物粘度、熱容、熱導(dǎo)率、自燃點與其分子結(jié)構(gòu)間的QSPR預(yù)測模型,探究影響其性質(zhì)的結(jié)構(gòu)因素。主要研究方法與結(jié)論如下：(1)采用Dragon 2.1軟件計算化合物的分子描述符,以迭代自組織數(shù)據(jù)分析技術(shù)(Iterative Self-Organizing Data Analysis Techniques Algorithm, ISODATA)將樣本集初步分類,隨后在各個類別中隨機(jī)選取樣本作為訓(xùn)練集用于建立模型。分別運(yùn)用遺傳算法(Genetic Algorithm, GA)和蟻群算法(Ant Colony Optimization, ACO)獲取特征描述符,并分析了特征描述符與其性質(zhì)間的關(guān)系。將特征描述符作為模型的輸入?yún)?shù),分別與多元線性回歸(Multiple Linear Regression, MLR)法和支持向量機(jī)(Support Vector Machine, SVM)法結(jié)合建立了GA-MLR、GA-SVM、ACO-MLR和ACO-SVM模型。采用模型評價參數(shù)對所建模型性能進(jìn)行了全面的評價驗證,應(yīng)用Williams圖對模型的應(yīng)用域進(jìn)行了研究,找出了標(biāo)準(zhǔn)殘差和臂比值超出界定范圍的化合物,并分析了出現(xiàn)“異常值”的原因。將所建預(yù)測模型與文獻(xiàn)中已有模型進(jìn)行比較,發(fā)現(xiàn)所建模型優(yōu)于文獻(xiàn)中已有模型。(2)對有機(jī)物粘度與其分子結(jié)構(gòu)間的QSPR研究結(jié)果如下：ISODATA算法將310種化合物分成11類,選取248種化合物作為訓(xùn)練集建立粘度預(yù)測模型。GA和ACO篩選出的特征描述符均認(rèn)為化合物的粘度值大小主要由化合物的溶解熵大小以及分子中親水基團(tuán)的數(shù)目所決定,且GA篩選出的nOH描述符明確指出是親水基團(tuán)中的羥基數(shù)目。所建立的四個粘度預(yù)測模型決定系數(shù)R2均在0.75以上,預(yù)測效果令人滿意。其中,GA-MLR模型優(yōu)于ACO-MLR模型,GA-SVM模型優(yōu)于ACO-SVM模型,GA-MLR模型和GA-SVM模型的R2達(dá)到0.9左右,表明GA篩選出了對粘度有較大影響的特征結(jié)構(gòu)。(3)采用相似的方法對有機(jī)物的熱容進(jìn)行了QSPR研究,結(jié)果如下：ISODATA算法將650種化合物分成16類,520種化合物作為訓(xùn)練集。由GA和ACO均獲得5個特征描述符,且獲得了一個對熱容貢獻(xiàn)度最大的相同特征描述符即SIK,該描述符主要反映雜化原子以及雜化狀態(tài)對分子形狀的影響程度。所建熱容預(yù)測模型非常優(yōu)秀,其R2均在0.90以上。通過模型的比較發(fā)現(xiàn),GA-MLR模型優(yōu)于ACO-MLR模型,GA-SVM模型優(yōu)于ACO-SVM模型,GA-MLR模型和GA-SVM模型的R2達(dá)到0.95以上,預(yù)測結(jié)果非常滿意。(4)同樣地,對有機(jī)物熱導(dǎo)率進(jìn)行了QSPR研究。結(jié)果為：ISODATA算法將178種化合物分成10類,142種化合物作為訓(xùn)練集。GA篩選出的特征描述符主要反映分子中氟原子的數(shù)目、分子的極化率、原子對以及整個分子中的電荷轉(zhuǎn)換、原子范德華體積大小等,以特征描述符作為輸入?yún)?shù),建立了GA-MLR和GA-SVM模型,其預(yù)測結(jié)果比較令人滿意,R2均在0.70以上,且后者優(yōu)于前者,說明SVM是一種可以快速、有效、準(zhǔn)確預(yù)測有機(jī)物熱導(dǎo)率的工具。(5)對有機(jī)物自燃點進(jìn)行QSPR研究結(jié)果如下：ISODATA算法將265種化合物分成5類,212種化合物作為訓(xùn)練集。由GA獲得的特征描述符主要反映分子大小、分子中支鏈數(shù)目、整個分子中原子的立體空間結(jié)構(gòu)等,以其作為模型輸入?yún)?shù)獲得GA-MLR和GA-SVM模型,其R2均在0.75以上,結(jié)果比較理想。由ACO獲得的特征描述符所建的ACO-SVM模型預(yù)測效果令人滿意,訓(xùn)練集和測試集的R2均在0.80以上,表明ACO獲得的特征描述符與自燃點之間存在較強(qiáng)的非線性關(guān)系。此外,GA-SVM和ACO-SVM模型均優(yōu)于GA-MLR模型,表明分子結(jié)構(gòu)與自燃點之間存在較強(qiáng)的非線性關(guān)系。
【關(guān)鍵詞】：定量構(gòu)效關(guān)系 預(yù)測模型 粘度 熱容 熱導(dǎo)率 自燃點
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：O621.13
【目錄】：

• 摘要5-7
• Abstract7-17
• 1 緒論17-25
• 1.1 研究背景17-18
• 1.2 國內(nèi)外研究進(jìn)展18-23
• 1.2.1 粘度預(yù)測方法的研究進(jìn)展18-20
• 1.2.2 熱容預(yù)測方法的研究進(jìn)展20-21
• 1.2.3 熱導(dǎo)率預(yù)測方法的研究進(jìn)展21-22
• 1.2.4 自燃點預(yù)測方法的研究進(jìn)展22-23
• 1.3 本文的主要研究內(nèi)容23-25
• 2 QSPR研究的基本理論25-37
• 2.1 分子描述符25-28
• 2.1.1 分子描述符種類26-27
• 2.1.2 分子描述符的計算27-28
• 2.2 訓(xùn)練集和測試集的劃分28-30
• 2.3 分子描述符的篩選與建模30-31
• 2.3.1 分子描述符篩選方法30
• 2.3.2 QSPR中的建模方法30-31
• 2.4 模型的評價驗證31-36
• 2.5 模型應(yīng)用域的評價與驗證36
• 2.6 小結(jié)36-37
• 3 QSPR主要研究方法37-49
• 3.1 ISODATA算法簡介37-39
• 3.1.1 ISODATA算法的基本原理38-39
• 3.1.2 ISODATA算法的實現(xiàn)39
• 3.2 蟻群算法的基本原理39-41
• 3.2.1 蟻群算法的簡介39-41
• 3.2.2 目標(biāo)函數(shù)的選擇41
• 3.2.3 蟻群算法的實現(xiàn)41
• 3.3 遺傳算法的基本原理41-44
• 3.3.1 遺傳算法簡介41-43
• 3.3.2 函數(shù)的選擇43-44
• 3.3.3 遺傳算法的實現(xiàn)44
• 3.4 支持向量機(jī)的基本原理44-48
• 3.4.1 理論背景44-45
• 3.4.2 支持向量機(jī)回歸算法45-47
• 3.4.3 參數(shù)優(yōu)化47-48
• 3.4.4 算法的實現(xiàn)48
• 3.5 小結(jié)48-49
• 4 有機(jī)物粘度的QSPR預(yù)測研究49-73
• 4.1 引言49-50
• 4.2 實驗過程50-57
• 4.2.1 樣本說明50
• 4.2.2 分子描述符的計算與預(yù)篩選50-52
• 4.2.3 樣本集的劃分52-56
• 4.2.4 分子描述符的篩選與建模56-57
• 4.3 結(jié)果與討論57-72
• 4.3.1 GA-MLR粘度預(yù)測模型57-58
• 4.3.2 GA-SVM粘度預(yù)測模型58-60
• 4.3.3 ACO-MLR粘度預(yù)測模型60-62
• 4.3.4 ACO-SVM粘度預(yù)測模型62-64
• 4.3.5 模型性能及應(yīng)用域評價64-71
• 4.3.6 模型的比較71-72
• 4.4 小結(jié)72-73
• 5 有機(jī)物熱容的QSPR預(yù)測研究73-94
• 5.1 引言73
• 5.2 實驗過程73-78
• 5.2.1 樣本說明73
• 5.2.2 分子描述符的計算與預(yù)篩選73-74
• 5.2.3 樣本集的劃分74-78
• 5.2.4 分子描述符的篩選與建模78
• 5.3 結(jié)果與討論78-93
• 5.3.1 GA-MLR熱容預(yù)測模型78-80
• 5.3.2 GA-SVM熱容預(yù)測模型80-82
• 5.3.3 ACO-MLR熱容預(yù)測模型82-84
• 5.3.4 ACO-SVM熱容預(yù)測模型84-85
• 5.3.5 模型性能及應(yīng)用域評價85-92
• 5.3.6 模型的比較92-93
• 5.4 小結(jié)93-94
• 6 有機(jī)物熱導(dǎo)率的QSPR預(yù)測研究94-108
• 6.1 引言94
• 6.2 實驗過程94-97
• 6.2.1 樣本說明94-95
• 6.2.2 分子描述符的計算與預(yù)篩選95
• 6.2.3 樣本集的劃分95-97
• 6.2.4 分子描述符的篩選與建模97
• 6.3 結(jié)果與討論97-106
• 6.3.1 GA-MLR熱導(dǎo)率預(yù)測模型97-99
• 6.3.2 GA-SVM熱導(dǎo)率預(yù)測模型99-101
• 6.3.3 ACO-MLR熱導(dǎo)率預(yù)測模型101-102
• 6.3.4 ACO-SVM熱導(dǎo)率預(yù)測模型102
• 6.3.5 模型性能及應(yīng)用域評價102-106
• 6.3.6 模型的比較106
• 6.4 小結(jié)106-108
• 7 有機(jī)物自燃點的QSPR預(yù)測研究108-124
• 7.1 引言108
• 7.2 實驗過程108-111
• 7.2.1 樣本說明108-109
• 7.2.2 分子描述符的計算與預(yù)篩選109
• 7.2.3 樣本集的劃分109-111
• 7.2.4 分子描述符的篩選與建模111
• 7.3 結(jié)果與討論111-122
• 7.3.1 GA-MLR自燃點預(yù)測模型111-113
• 7.3.2 GA-SVM自燃點預(yù)測模型113-115
• 7.3.3 ACO-MLR自燃點預(yù)測模型115-116
• 7.3.4 ACO-SVM自燃點預(yù)測模型116-117
• 7.3.5 模型性能及應(yīng)用域評價117-122
• 7.3.6 模型的比較122
• 7.4 小結(jié)122-124
• 8 結(jié)論124-127
• 8.1 結(jié)論124-125
• 8.2 創(chuàng)新點125
• 8.3 展望125-127
• 致謝127-128
• 參考文獻(xiàn)128-142
• 附錄A142-143
• 附錄B143-144
• 附錄C144-172
• 附錄C.1 各化合物名稱及其對應(yīng)的粘度數(shù)據(jù)144-151
• 附錄C.2 各化合物名稱及其對應(yīng)的熱容數(shù)據(jù)151-164
• 附錄C.3 各化合物名稱及其對應(yīng)的熱導(dǎo)率數(shù)據(jù)164-168
• 附錄C.4 各化合物名稱及其對應(yīng)的自燃點數(shù)據(jù)168-172

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 李元萍,李元良;MATLAB編程實現(xiàn)ISODATA算法[J];礦業(yè)研究與開發(fā);2005年03期

2 ;Synthesis and thermal conductivity of microfluidic copper nanofluids[J];Particuology;2010年03期

，

本文編號：843887