爆炸下限定量構(gòu)效關(guān)系

1、化學(xué)物質(zhì)爆炸下限定量構(gòu)效關(guān)系研究 研究意義 QSPR基本原理和基本研究步驟 研究概況 本論文研究工作 模型預(yù)測(cè) 結(jié)果比較分析及結(jié)論主要內(nèi)容主要內(nèi)容 爆炸下限是物質(zhì)爆炸危險(xiǎn)性的重要評(píng)價(jià)參數(shù)，但實(shí)際工業(yè)的爆炸下限數(shù)據(jù)庫(kù)空白很多，傳統(tǒng)的實(shí)驗(yàn)方式無(wú)法保證所獲結(jié)果的可靠性、準(zhǔn)確性、一致性，而且往往測(cè)量昂貴且費(fèi)時(shí)。 運(yùn)用定量構(gòu)效關(guān)系（QSPR）預(yù)測(cè)的方法既能夠方便迅速獲得爆炸下限數(shù)據(jù)，而且能保證結(jié)果的可靠性，還能通過(guò)已有的預(yù)測(cè)模型獲得新物質(zhì)的爆炸下限值，同時(shí)能得到分子結(jié)構(gòu)中影響爆炸下限的主要因素。研究意義英文全稱為：Quantitative Structure-property Relationship，

2、QSPR中文簡(jiǎn)稱定量構(gòu)效關(guān)系兩條基本假設(shè)： 分子性質(zhì)的變化依賴于其結(jié)構(gòu)的變化； 分子的結(jié)構(gòu)可以用反映分子結(jié)構(gòu)特征的各種參 數(shù)來(lái)描述，即化合物的性質(zhì)可以用化學(xué)結(jié)構(gòu)的函數(shù)來(lái)表示。 QSPR基本原理QSPR基本原理 可見(jiàn)，可見(jiàn)，QSPRQSPR方法是一個(gè)不完全歸納法的分析過(guò)程：由方法是一個(gè)不完全歸納法的分析過(guò)程：由已知的結(jié)構(gòu)性質(zhì)樣本出發(fā)先建立模型，再利用所建立的模已知的結(jié)構(gòu)性質(zhì)樣本出發(fā)先建立模型，再利用所建立的模型對(duì)新樣本進(jìn)行預(yù)測(cè)。型對(duì)新樣本進(jìn)行預(yù)測(cè)。圖1 QSPR基本原理 所需要僅僅是分子的結(jié)構(gòu)信息分子的結(jié)構(gòu)信息及目標(biāo)性質(zhì)的實(shí)驗(yàn)數(shù)目標(biāo)性質(zhì)的實(shí)驗(yàn)數(shù)據(jù)據(jù)，通過(guò)對(duì)計(jì)算出來(lái)的分子的各種結(jié)構(gòu)參數(shù)和實(shí)驗(yàn)性質(zhì)進(jìn)

3、行統(tǒng)計(jì)分析統(tǒng)計(jì)分析，建立分子的結(jié)構(gòu)參數(shù)和所研究的性質(zhì)之間的定定量關(guān)系量關(guān)系 ，達(dá)到預(yù)測(cè)的目的。 QSPR基本原理 QSPR基本步驟數(shù)據(jù)的獲得和整理（DIPPR)預(yù)測(cè)模型的建立（HM，B-MLR，SVM） 模型的檢驗(yàn)（R2，AARD（%），RMSE,Q2ext） 分子結(jié)構(gòu)的輸入和優(yōu)化（Hyperchem8.0）分子描述符的計(jì)算 （Codessa）分子描述符的選擇（HM，B-MLR）圖2 QSPR研究的基本步驟 QSPR基本步驟分子描述符的計(jì)算分子描述符的計(jì)算分子描述符：即分子結(jié)構(gòu)參數(shù)，是一個(gè)分子的數(shù)學(xué)表征，可 以以數(shù)學(xué)的方式表示了每一個(gè)分子的特征，包含了分子的各種結(jié)構(gòu)信息。描述符計(jì)算其實(shí)就是把分

4、子結(jié)構(gòu)轉(zhuǎn)換為數(shù)值信息的過(guò)程 主要有六種：組成描述符，幾何描述符，拓?fù)涿枋龇o電描述符，量子化學(xué)描述符，熱力學(xué)描述符 QSPR基本步驟分子描述符的選擇分子描述符的選擇增加計(jì)算復(fù)雜性，偶然相關(guān)，不穩(wěn)健，自相關(guān)造成內(nèi)部冗余關(guān)鍵問(wèn)題關(guān)鍵問(wèn)題：從大量的描述符中選擇出與目標(biāo)性質(zhì)最緊密相關(guān)的參數(shù)，最好是用盡可能少的變量來(lái)表征盡可能多的結(jié)構(gòu)信息。常用篩選方法：?jiǎn)l(fā)式方法（HM），逐步回歸法，遺傳算法，變量最優(yōu)子集回歸法，神經(jīng)網(wǎng)絡(luò)法，模擬退火法等。QSPR基本步驟預(yù)測(cè)模型的建立預(yù)測(cè)模型的建立訓(xùn)練集和測(cè)試集的劃分 訓(xùn)練集用于建立預(yù)測(cè)模型，測(cè)試集用于測(cè)試所建立的模型的預(yù)測(cè)能力。建模方法 （線性關(guān)系，非線性關(guān)系）

5、判別分析，主成分分析，因子分析，線性回歸，主成分回歸分析，偏最小二乘法，人工神經(jīng)網(wǎng)絡(luò)，遺傳算法，支持向量機(jī)以及投影尋蹤回歸等。 本次研究建模采用線性回歸方法里的啟發(fā)式回歸本次研究建模采用線性回歸方法里的啟發(fā)式回歸(HM)(HM)和和最佳多元線性回歸以及非線性方法里的支持向量機(jī)最佳多元線性回歸以及非線性方法里的支持向量機(jī)(SVM)(SVM)。 QSPR基本步驟模型的檢驗(yàn)?zāi)Ｐ偷臋z驗(yàn)內(nèi)檢驗(yàn)：通過(guò)訓(xùn)練集檢驗(yàn)?zāi)Ｐ偷慕Ｄ芰Ｄ芰Γ〝M合能力和穩(wěn)健能力）；外檢驗(yàn)：通過(guò)測(cè)試集檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)能力預(yù)測(cè)能力，即用已建立的訓(xùn)練模型來(lái)預(yù)測(cè)未參與模型訓(xùn)練的物質(zhì)的性質(zhì)。“留一法”交互驗(yàn)證（LOO-CV）RMSE，AARD

6、泛化能力及預(yù)測(cè)精度泛化能力及預(yù)測(cè)精度;F檢驗(yàn)值、t檢驗(yàn)值模型的顯著性問(wèn)模型的顯著性問(wèn)題題(公式見(jiàn)論文第9頁(yè))。 20022200iiiiyyyyRyyyy2021211trainingiilootrainingiiiyyQyy 20212()11testiiexttestii triyyQyy 研究概況研究概況 爆炸下限預(yù)測(cè)模型研究概況 與燃燒熱、化學(xué)計(jì)量濃度等關(guān)聯(lián)， 人工神經(jīng)網(wǎng)絡(luò)方法（臨界溫度、臨界壓力等） 基團(tuán)貢獻(xiàn)法 預(yù)測(cè)方法研究概況 基團(tuán)貢獻(xiàn)法，經(jīng)驗(yàn)公式法，QSPRQSPR 不足 優(yōu)勢(shì)優(yōu)勢(shì)目前預(yù)測(cè)理化性質(zhì)的趨勢(shì)目前預(yù)測(cè)理化性質(zhì)的趨勢(shì) 本論文研究工作 擬對(duì)113種烴類物質(zhì)進(jìn)行定量構(gòu)效關(guān)系研

7、究，建立烴類物質(zhì)的爆炸下限預(yù)測(cè)模型，并探究影響物質(zhì)爆炸下限性質(zhì)的主要結(jié)構(gòu)因素。主要研究?jī)?nèi)容有： 分別用QSPR的三種建模方法建立預(yù)測(cè)模型 計(jì)算各參數(shù)，評(píng)價(jià)模型效果（R2、RMSE、 AARD、Q2ext ） 比較分析三個(gè)預(yù)測(cè)模型 探究分子結(jié)構(gòu)中影響爆炸下限的主要因素 模型預(yù)測(cè) HM模 B-MLR模型 SVM模型 線性建模及分子描述符計(jì)算在CODESSA軟件中完成，而SVM的建模及相關(guān)計(jì)算在MATLAB軟件中完成。最后在MATLAB軟件中計(jì)算各個(gè)模型的R2、AARD、Q2loo、Q2ext，RMSE，并將三個(gè)預(yù)測(cè)模型進(jìn)行比較討論分析。 HM模型啟發(fā)式回歸（啟發(fā)式回歸（HMHM）方法篩選描述符原則

8、）方法篩選描述符原則： 1）不是每個(gè)化合物都有的參數(shù)； 2）對(duì)所有化合物來(lái)說(shuō)，數(shù)值變化比較小的描述符； 3）在一個(gè)參數(shù)相關(guān)方程中，F(xiàn)檢驗(yàn)值小于1.0的參數(shù)； 4）t檢驗(yàn)值小于某一定義值的描述符。 HM模型 具有4個(gè)描述符的集合為最佳描述符集，其所對(duì)應(yīng)的模型即為最佳模型 圖3 HM方法篩選最佳描述符集HM模型表2 HM方法的分子描述符篩選結(jié)果信息 表3 HM模型中的分子描述符統(tǒng)計(jì)學(xué)參數(shù) HM模型所得訓(xùn)練模型：LFL=1.4230+0.0218X1-0.3074X2-0.02085X3-0.01227X4 內(nèi)部檢驗(yàn)內(nèi)部檢驗(yàn)： R2=0.9773 Q2loo=0.9773 AARD=4.3483%

9、RMSE=0.05 F=902.61 n=89穩(wěn)健性、擬合能力及穩(wěn)健性、擬合能力及精度均較好精度均較好圖4 HM方法的訓(xùn)練模型的預(yù)測(cè)值和實(shí)驗(yàn)值的比較 圖5 HM模型對(duì)測(cè)試集所得預(yù)測(cè)值與實(shí)驗(yàn)值的比較 HM模型 HMHM預(yù)測(cè)模型效果令人滿意預(yù)測(cè)模型效果令人滿意外部檢驗(yàn)外部檢驗(yàn)：R2=0.9534，AARD=4.4828%，RMSE=0.0685，Q2ext=0.9564 預(yù)測(cè)能力、泛化能力、預(yù)測(cè)精度均較好預(yù)測(cè)能力、泛化能力、預(yù)測(cè)精度均較好B-MLR模型B-MLRB-MLR篩選描述符原則：篩選描述符原則： 1）對(duì)剩余的描述符做相關(guān)分析，搜取所有計(jì)算出的正交描述符i，j 2）用這些描述符與性質(zhì)關(guān)聯(lián)得到

10、二元線性方程，篩選出Nc(=400)個(gè)方程(有較大判定系數(shù))進(jìn)行進(jìn)一步的回歸分析； 3）向方程中加入非共線描述符k成為三參數(shù)模型，如果三參數(shù)模型的F值小于最佳的兩參數(shù)模型的F值，兩參數(shù)模型為最后結(jié)果，反之，保存最佳三參數(shù)模型（最大判定系數(shù)）并用于下一步計(jì)算； 4）向方程中再次加入非共線性描述符，類似于第三步，把得到的（n+1）參數(shù)模型F值與最佳的兩參數(shù)模型的F值比較。 B-MLR模型圖6 B-MLR方法篩選最佳描述符集 具有4個(gè)描述符的集合為最佳描述符集，其所對(duì)應(yīng)的模型即為最佳模型 表5 B-MLR模型中的分子描述符統(tǒng)計(jì)學(xué)參數(shù) B-MLR模型表4 B-MLR方法的分子描述符篩選結(jié)果信息 B-M

11、LR模型所得訓(xùn)練模型：LFL=1.4565-0.3145Y1+6.5291Y2-0.02048Y3-0.002037Y4 內(nèi)部檢驗(yàn)內(nèi)部檢驗(yàn)： R2=0.9777 Q2loo=0.9777 AARD=4.3437% RMSE=0.0496 F=919.04 n=89穩(wěn)健性、擬合能力及穩(wěn)健性、擬合能力及精度均較好精度均較好圖7 B-MLR方法的訓(xùn)練模型的預(yù)測(cè)值和實(shí)驗(yàn)值的比較B-MLR模型外部檢驗(yàn)外部檢驗(yàn)：R2=0.9522，AARD=4.5851%，RMSE=0.0696，Q2ext=0.9549 預(yù)測(cè)能力、泛化能力、預(yù)測(cè)精度均較好預(yù)測(cè)能力、泛化能力、預(yù)測(cè)精度均較好B-MLRB-MLR預(yù)測(cè)模型效果

12、預(yù)測(cè)模型效果 令人滿意令人滿意圖8 B-MLR模型對(duì)測(cè)試集所得預(yù)測(cè)值與實(shí)驗(yàn)值的比較SVM模型 重要參數(shù)： 核函數(shù)的類型、懲罰常數(shù)C、-不敏感損失函數(shù)中、核函數(shù)寬度參數(shù)及它們的組合。本次研究中支持向量機(jī)分析主要采用改進(jìn)的svm加強(qiáng)工具箱結(jié)合MATLAB2009來(lái)運(yùn)行，以B-MLR方法所選擇的4個(gè)分子描述符作為輸入?yún)?shù)。選擇RBFRBF徑向基函數(shù)徑向基函數(shù)作為核函數(shù)，烴類物質(zhì)的爆炸下限數(shù)據(jù)先經(jīng)過(guò)0，1范圍的歸一化處理，采用格點(diǎn)搜索的方法格點(diǎn)搜索的方法選擇最佳的參數(shù)組合。 SVM模型最優(yōu)參數(shù)為：懲罰系數(shù)C=22.6274，核函數(shù)的寬度=0.0032725， -不敏感損失函數(shù)=0.125 訓(xùn)練模型：R2=0.9782，Q2loo=0.9782，AARD=3.8031%，RMSE=0.0490，n=89 測(cè)試集外部驗(yàn)證：R2=0.9559，AARD=4.6680%，RMSE=0.0696，Q2ext=0.9549。圖9 SVM訓(xùn)練模型的預(yù)測(cè)