论文部分内容阅读
合适的定量结构性质关系(quantitative structure-property relationship,QSPR)模型可以准确的模拟分子结构与化合物性质间的关系。现实中,通过实验测量的混合物的性质准确度不高且步骤复杂、费时。由此,借助QSPR的方法建立了混合物性质与其分子结构间的模型,定量的描述了两者间的关系,弥补了实验的不足。具体研究内容有:第一章主要介绍了QSPR的研究方法及步骤,并对QSPR在有机混合物性质预测中的研究进展进行了综述。第二章基于QSPR研究的基本原理及步骤,分别用多元线性回归(multiple linear regression,MLR)和多层感知器人工神经网络(multilayer perceptron artificial neural network,MLP-ANN)建立烃类物质密度和辛烷值的QSPR模型,并使用留一交叉验证(leave one out cross validation,LOO-CV)和外部测试集验证的方法评估了两种模型的预测性能及稳健性,结果显示MLR和ANN模型都可用于预测烷烃的密度和辛烷值,但ANN模型优于MLR模型,更适用于预测烷烃的密度和辛烷值。第三章运用MLR、逐步回归和径向基函数人工神经网络(radial basis function,RBF)ANN的方法建立了4个预测288种二元有机混合物闪点的模型。用外部测试集验证和k折交叉验证对所有模型进行了评价,结果说明所建立4个模型都可用于这些混合物样品的闪点值预测。其中经逐步回归筛选出5个与闪点实验值显著相关的描述符,以这5个描述符作为输入变量的RBF-ANN模型预测准确度最高。第四章经逐步回归筛选出与毒性显著相关的分子结构描述符,通过MLR和MLP-ANN两种方法,分别建立了106种苯及其衍生物组成的混合物联合毒性的QSPR模型。用外部测试集验证和LOO-CV对模型进行了评价,预测结果表明:与建立的MLR模型相比,人工神经网络方法所建立的模型稳健,泛化能力强,预测误差小,预测的效果令人满意,可以用于苯及其衍生物的混合物毒性的预测。第五章经逐步回归筛选出与毒性显著相关的分子结构描述符,通过MLR和RBF-ANN两种方法,分别建立了由12种全氟氧酸以不同配比组成的23种混合物联合毒性的QSPR模型。用外部测试集验证和LOO-CV对模型进行了评价,结果表明:MLR和ANN都是可行的,人工神经网络方法所建立的模型误差更小,准确度更高。