爆炸下限定量构效关系.pptx
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 爆炸 下限 定量 关系
- 资源描述:
-
爆炸下限定量构效关系,研究意义,QSPR基本原理和基本研究步骤,研究概况,本论文研究工作,模型预测,结果比较分析及结论,主要内容,爆炸下限是物质爆炸危险性的重要评价参数,但实际工业的爆炸下限数据库空白很多,传统的实验方式无法保证所获结果的可靠性、准确性、一致性,而且往往测量昂贵且费时。运用定量构效关系(QSPR)预测的方法既能够方便迅速获得爆炸下限数据,而且能保证结果的可靠性,还能通过已有的预测模型获得新物质的爆炸下限值,同时能得到分子结构中影响爆炸下限的主要因素。,研究意义,英文全称为:Quantitative Structure-property Relationship,QSPR,中文简称定量构效关系,两条基本假设:,分子性质的变化依赖于其结构的变化;,分子的结构可以用反映分子结构特征的各种参 数来描述,即化合物的性质可以用,化学结构的函数,来表示。,QSPR基本原理,QSPR基本原理,可见,QSPR方法是一个不完全归纳法的分析过程:由已知的结构性质样本出发先建立模型,再利用所建立的模型对新样本进行预测。,图1 QSPR基本原理,所需要仅仅是,分子的结构信息,及,目标性质的实验数据,,通过对计算出来的分子的各种结构参数和实验性质进行,统计分析,,建立分子的结构参数和所研究的性质之间的,定量关系,,达到预测的目的。,QSPR基本原理,QSPR基本步骤,数据的获得,和整理(DIPPR),预测模型的建立,(HM,B-MLR,SVM),模型的检验,(R,2,,AARD(%),,RMSE,Q,2,ext,),分子结构,的输入和优化(Hyperchem8.0,),分子描述符的计算 (Codessa,),分子描述符的选择(HM,B-MLR),图2 QSPR研究的基本步骤,QSPR基本步骤,分子描述符的计算,分子描述符:即分子结构参数,是一个分子的数学表征,可 以以数学的方式表示了每一个分子的特征,包含了分子的各种结构信息。,描述符计算其实就是把分子结构转换为数值信息的过程,主要有六种:组成描述符,几何描述符,拓扑描述符,静电描述符,量子化学描述符,热力学描述符,QSPR基本步骤,分子描述符的选择,增加,计算复杂性,偶然相关,不稳健,自相关造成内部冗余,关键问题,:,从大量的描述符中选择出与目标性质最紧密相关的参数,最好是用尽可能少的变量来表征尽可能多的结构信息。,常用筛选方法:启发式方法(HM),逐步回归法,遗传算法,变量最优子集回归法,神经网络法,模拟退火法等。,QSPR基本步骤,预测模型的建立,训练集和测试集的划分,训练集用于建立预测模型,测试集用于测试所建立的模型的预测能力。,建模方法(线性关系,非线性关系),判别分析,主成分分析,因子分析,,线性回归,,主成分回归分析,偏最小二乘法,人工神经网络,遗传算法,,支持向量机,以及投影寻踪回归等。,本次研究建模采用线性回归方法里的启发式回归(HM)和最佳多元线性回归以及非线性方法里的支持向量机(SVM)。,QSPR基本步骤,模型的检验,内检验:通过训练集检验模型的,建模能力,(拟合能力和稳健能力);,外检验:通过测试集检验模型的,预测能力,,即用已建立的训练模型来预测未参与模型训练的物质的性质。,“,留一法,”,交互验证(LOO-CV),RMSE,AARD,泛化能力及预测精度,;F检验值、t检验值,模型的显著性问题,(公式见论文第9页)。,研究概况,爆炸下限预测模型研究概况,与燃烧热、化学计量浓度等关联,,人工神经网络方法(临界温度、临界压力等),基团贡献法,预测方法研究概况,基团贡献法,经验公式法,,QSPR,不足,优势,目前预测理化性质的趋势,本论文研究工作,拟对113种烃类物质进行定量构效关系研究,建立烃类物质的爆炸下限预测模型,并探究影响物质爆炸下限性质的主要结构因素。主要研究内容有:,分别用QSPR的三种建模方法建立预测模型,计算各参数,评价模型效果,(,R,2,、RMSE、AARD、,Q,2,ext,),比较分析三个预测模型,探究分子结构中影响爆炸下限的主要因素,模型预测,HM模,B-MLR模型,SVM模型,线性建模及分子描述符计算在CODESSA软件中完成,而SVM的建模及相关计算在MATLAB软件中完成。最后在MATLAB软件中计算各个模型的R2、AARD、,Q,2,loo,、,Q,2,ext,,RMSE,并将三个预测模型进行比较讨论分析。,HM模型,启发式回归(HM)方法筛选描述符原则,:,1)不是每个化合物都有的参数;,2)对所有化合物来说,数值变化比较小的描述符;,3)在一个参数相关方程中,F检验值小于1.0的参数;,4)t检验值小于某一定义值的描述符。,HM模型,具有4个描述符的集合为最佳描述符集,其所对应的模型即为最佳模型,图3 HM方法筛选最佳描述符集,HM模型,表2 HM方法的分子描述符筛选结果信息,表3 HM模型中的分子描述符统计学参数,HM模型,所得训练模型:,LFL=1.4230+0.0218X,1,-0.3074X,2,-0.02085X,3,-0.01227X,4,内部检验,:,R,2,=0.9773,Q,2,loo,=0.9773,AARD=4.3483%,RMSE=0.05,F=902.61 n=89,稳健性、拟合能力及精度均较好,图4 HM方法的训练模型的预测值和实验值的比较,图5 HM模型对测试集所得预测值与实验值的比较,HM模型,HM,预测模型效果令人满意,外部检验,:R,2,=0.9534,AARD=4.4828%,RMSE=0.0685,,Q,2,ext,=0.9564,预测能力、泛化能力、预测精度均较好,B-MLR模型,B-MLR筛选描述符原则:,1)对剩余的描述符做相关分析,搜取所有计算出的正交描述符i,j,2)用这些描述符与性质关联得到二元线性方程,筛选出Nc(=400)个方程(有较大判定系数)进行进一步的回归分析;,3)向方程中加入非共线描述符k成为三参数模型,如果三参数模型的F值小于最佳的两参数模型的F值,两参数模型为最后结果,反之,保存最佳三参数模型(最大判定系数)并用于下一步计算;,4)向方程中再次加入非共线性描述符,类似于第三步,把得到的(n+1)参数模型F值与最佳的两参数模型的F值比较。,B-MLR模型,图6 B-MLR方法筛选最佳描述符集,具有4个描述符的集合为最佳描述符集,其所对应的模型即为最佳模型,表5 B-MLR模型中的分子描述符统计学参数,B-MLR模型,表4 B-MLR方法的分子描述符筛选结果信息,B-MLR模型,所得训练模型:,LFL=1.4565-0.3145Y,1,+6.5291Y,2,-0.02048Y,3,-0.002037Y,4,内部检验,:,R,2,=0.9777,Q,2,loo,=0.9777,AARD=4.3437%,RMSE=0.0496,F=919.04 n=89,稳健性、拟合能力及精度均较好,图7 B-MLR方法的训练模型的预测值和实验值的比较,B-MLR模型,外部检验,:R,2,=0.9522,AARD=4.5851%,RMSE=0.0696,,Q,2,ext,=0.9549,预测能力、泛化能力、预测精度均较好,B-MLR,预测模型效果,令人满意,图8 B-MLR模型对测试集所得预测值与实验值的比较,SVM模型,重要参数:,核函数的类型、惩罚常数C、-不敏感损失函数中、核函数宽度参数及它们的组合。,本次研究中支持向量机分析主要采用改进的svm加强工具箱结合MATLAB2009来运行,以B-MLR方法所选择的4个分子描述符作为输入参数。,选择,RBF径向基函数,作为核函数,烃类物质的爆炸下限数据先经过0,1范围的归一化处理,采用,格点搜索的方法,选择最佳的参数组合。,SVM模型,最优参数为:惩罚系数,C,=22.6274,,核函数的宽度,=0.0032725,,-,不敏感损失函数,=0.125,训练模型,:R,2,=0.9782,,Q,2,loo,=0.9782,AARD=3.8031%,RMSE=0.0490,n=89,测试集外部验证,:R,2,=0.9559,AARD=4.6680%,RMSE=0.0696,Q,2,ext,=0.9549。,图9 SVM训练模型的预测值与实验值的比较,图10 SVM模型对测试集所得预测值与实验值的比较,结果比较分析,表6 三种方法模型的各评价参数比较,展开阅读全文

咨信网声明:本文档由用户上传并分享,仅供学习交流、研究之用,未经授权,严禁复制、发行、汇编、翻译或网络传播等,侵权必究。
咨信网小贴示:
1、浏览或下载可查看了解,请点击【咨信网告知】。
2、下载文件中如有侵权或不适当内容,将立即纠正。
3、如果因为网速或其他原因下载失败请重新下载,重复下载[60天内]不扣币。
4、开具发票登录电脑端申请,请点击【索取发票】。
咨信网客服组:【微信客服】
1、浏览或下载可查看了解,请点击【咨信网告知】。
2、下载文件中如有侵权或不适当内容,将立即纠正。
3、如果因为网速或其他原因下载失败请重新下载,重复下载[60天内]不扣币。
4、开具发票登录电脑端申请,请点击【索取发票】。
咨信网客服组:【微信客服】


爆炸下限定量构效关系.pptx
















自信AI助手














微信客服
客服QQ
发送邮件
意见反馈



链接地址:https://www.zixin.com.cn/doc/14770062.html