[go: up one dir, main page]

CN111768815A - 基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法 - Google Patents

基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法 Download PDF

Info

Publication number
CN111768815A
CN111768815A CN202010645145.2A CN202010645145A CN111768815A CN 111768815 A CN111768815 A CN 111768815A CN 202010645145 A CN202010645145 A CN 202010645145A CN 111768815 A CN111768815 A CN 111768815A
Authority
CN
China
Prior art keywords
model
compound
puf
coefficient
validation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010645145.2A
Other languages
English (en)
Inventor
朱腾义
古黎明
李懿
程浩淼
李书音
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangzhou University
Original Assignee
Yangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yangzhou University filed Critical Yangzhou University
Priority to CN202010645145.2A priority Critical patent/CN111768815A/zh
Publication of CN111768815A publication Critical patent/CN111768815A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本发明公开了一种预测POPs在PUF膜‑空气分配系数的方法，通过已有化合物的分子结构计算分子描述符，采用逐步多元线性回归分析构建了理论线性溶解能关系模型（TLSER），可快速、高效的预测有机化合物的K PA值，该方法简单快捷、成本低，且能节省实验测试所需的人力、物力和财力，本发明遵循经济合作与发展组织关于TLSER模型的构建和验证导则，采用的算法透明，便于机理解释，模型具有良好的拟合优度、稳健性和预测能力且具有明确的应用域，能有效地预测应用域内有机污染物的PUF膜‑空气分配系数，填补了其他化合物的数据空白，为化合物的环境监测和被动采样器的应用提供必要的基础数据，具有重大意义。

Description

基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配 系数的方法
技术领域
本发明涉及一种预测分配系数的方法，特别涉及基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法，属于污染物环境行为及被动采样技术领域。
背景技术
被动采样作为一种主流的监测技术手段，被广泛应用于各种环境介质中POPs浓度的监测。PUF(聚氨酯泡沫塑料)膜因其制作简单，使用方便，无需电力供给和专业维护，成本低廉等优点，被广泛应用于POPs的检测。通常有机物在PUF膜与空气之间的分配系数(KPA)是评价化合物环境行为的重要参数，也是衡量被动采样器性能和准确计算有机物空气中浓度的重要指标。大部分污染物的分配系数都是通过复杂的实验测定,然而部分污染物由于受到风速、温度、湿度等因素影响，其测定的分配系数存在较大偏差难以满足数量庞大且日益增长的有机污染物环境监测和管理的需求，因此迫切须要开发一种简洁、准确、高效的模型预测方法用于估算持久性有机污染物的KPA值。
理论线性溶解能关系(TLSER)是基于多参数线性溶解能关系(LSER)建立起来的一种计算模型，可用于预测与化学物质溶解过程有关的平衡常数、自由能项及其毒理性质和环境行为。利用TLSER预测POPS在PUF膜与空气中分配系数的研究方法，节省了大量实验时间、人力和财力，为数据获取提供了更为高效的方法。
目前已有一些应用KPA值对空气中POPs的环境行为和毒理性质等进行研究的报道。如文献“Environ.Sci.Technol.,2002,36(19),4142-4151.“针对37种多氯联苯建立了辛醇空气分配系数(Koa)与KPA的关系模型，模型的R2为0.87。文献“Chemosphere.2016，145：360-364.”中共收集了12种多环芳香烃，建立KPA的关系模型，模型的R2为0.807，该研究的物质数量较少，应用域有限，且没有提供其他验证参数。
总的来说，目前现有研究中所建模型的化合物种类基本比较单一，应用域比较狭窄，且缺少必要的模型表征参数。因此，随着新兴污染物的增加，有必要开发一个能够简单、快速、高效的预测持久性有机污染物KPA的TLSER模型。
发明内容
本发明的目的是提供一种基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法，该方法具有简洁、高效且应用范围广的特点，直接根据有机化合物的分子结构描述符快速有效的预测其KPA值，从而为研究持久性有机污染物在环境中的迁移、转化和归趋提供数据支撑。
本发明的目的是这样实现的：一种基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法，其特征在于，包括以下步骤：
步骤1)数据收集：通过文献收集包含若干种化合物的KPA实测值，得到数据集KPA，将化合物数据集KPA按照4:1原则随机划分为训练集和验证集；
步骤2)描述符计算：计算训练集中的化合物数据的分子结构描述符，在计算前，首先通过ChemBio3D Ultra软件生成初始化合物的分子结构，其次用Minimize Energy将其最小能量化，然后采用MOPAC中Mopac Interface PM7算法将化合物的分子结构进一步优化稳定并计算，从中提取出量化描述符，最后在PaDEL-Descriptor软件中计算各化合物的分子结构描述符；
步骤3)模型构建：将步骤2)计算出的各化合物分子结构描述符使用逐步多元线性回归在SPSS软件中运行，得到多个TLSER模型，选用其中决定系数R2 adj和外部验证系数
Figure BDA0002572762360000021
最大，参数最少的模型作为TLSER的最优预测模型；
步骤4)模型验证：验证模型的稳健性，表征模型的拟合度，并表征模型外部预测能力，验证合格后进入步骤5；
步骤5)应用域表征：通过Williams图对模型应用域进行表征；
步骤6)模型应用：利用所述模型预测未知化合物的PDMS膜/水分配系数。
作为本发明的进一步限定，所述的有机化合物包括多环芳烃、多氯联苯、苯类和杀虫剂4类共95种化合物。
作为本发明的进一步限定，步骤3)中得到的最优预测模型为：
log KPA＝0.032α+0.26
其中，α表征分子极化率(C·m2/V)，是分子体积相关的性质，用于表示理论溶解能关系模型中的空穴项，故分子体积是α产生空穴所吸收能量效应的量度。
作为本发明的进一步限定，步骤1)中的所述训练集中的化合物用于构建模型，进行内部验证，所述验证集中的化合物用于模型外部验证。
作为本发明的进一步限定，步骤4中采用自举法交叉验证系数Q2 BOOT和去一法交叉验证系数Q2 LOO验证模型的稳健性，采用自由度校正后的决定系数
Figure BDA0002572762360000031
和均方根误差RMSEext表征模型拟合度，采用用外部验证系数R2 ext和
Figure BDA0002572762360000032
表征模型外部预测能力。
作为本发明的进一步限定，步骤5的方法具体为：
采用基于标准残差δ对杠杆值hi的Williams图对模型的应用域进行表征，δ的绝对值大于3.0时，该化合物为离群点，当杠杆值hi大于警戒值h*时，说明该化合物结构与其他化合物结构有显著性差异；hi和h*由如下公式计算：
hi＝xi T(XTX)-1xi
h*＝3(p+1)/n
其中xi是第i个化合物的描述符矩阵；xi T是xi的转置矩阵；X是所有化合物的描述符矩阵；XT是X的转置矩阵；(XTX)-1是矩阵XTX的逆；p是模型中变量的个数，n是训练集中化合物的数量。
与现有技术相比，本发明的有益效果在于：本发明采用简单透明的逐步多元线性回归算法构建了TLSER预测模型，模型涵盖多种结构的有机化合物，具有良好的拟合优度、稳健性和预测能力，可以通过有机化合物的分子结构参数快速有效的预测应用域内其他化合物的KPA值，为有机化合物全球性环境行为分析和生态风险评价提供基础数据；该方法成本低廉、简单快捷，可节省大量实验测试所需的人力、物力和财力。使用本发明所建模型预测有机物的KPA具有很高的可靠性，为化学品监管工作提供重要的基础数据，并对生态风险评价具有重要的指导意义；本发明采用计算的方式，能够大量减少实验成本，更高效的获取化学品的KPA值。
附图说明
图1为本发明中数据集log KPA的实验值和预测值的拟合图
图2为本发明中Williams图。
具体实施方式
一种基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法，包括以下步骤。
1)数据收集：通过文献收集包含多氯联苯、苯类、多环芳香烃和杀虫剂等4类共计95种化合物的KPA实测值，得到数据集KPA，将95种化合物数据集KPA按照4:1原则随机划分为训练集和验证集，训练集中的化合物用于构建模型，进行内部验证，所述验证集中的化合物用于模型外部验证。
2)描述符计算：计算训练集中的化合物数据的分子结构描述符，在计算前，首先通过ChemBio3D Ultra 12.0软件生成初始化合物的分子结构，其次用Minimize Energy将其最小能量化，然后采用MOPAC 2016中Mopac Interface PM7算法将化合物的分子结构进一步优化稳定并计算，从中提取出量化描述符，最后在PaDEL-Descriptor软件中计算各化合物的分子结构描述符。
3)模型构建：将步骤2)计算出的各化合物分子结构描述符使用逐步多元线性回归在SPSS软件中运行，得到多个TLSER模型，选用其中决定系数
Figure BDA0002572762360000051
和外部验证系数
Figure BDA0002572762360000052
最大，参数最少的模型作为TLSER的最优预测模型，得到的最优预测模型为：
log KPA＝0.032α+0.26
其中，α表征分子极化率(C·m2/V)，是分子体积相关的性质，用于表示理论溶解能关系模型中的空穴项，故分子体积是α产生空穴所吸收能量效应的量度。
4)模型验证：用自由度校正后的决定系数
Figure BDA0002572762360000053
和均方根误差RMSE表征模型拟合度；用去一法(Leave-one-out)交叉验证系数
Figure BDA0002572762360000054
和自举法(Bootstrapping)交叉验证系数
Figure BDA0002572762360000055
表征模型稳健性；用外部验证系数
Figure BDA0002572762360000056
和
Figure BDA0002572762360000057
表征模型外部预测能力；所得模型的将验证集调整后决定系数
Figure BDA0002572762360000058
Figure BDA0002572762360000059
模型的去一法交叉验证系数
Figure BDA00025727623600000510
自举法交叉验证系数
Figure BDA00025727623600000511
Figure BDA00025727623600000512
说明模型的稳健性较好；判定依据：R2>0.7，Q2>0.6，R2-Q2<0.3。同时，将步骤(3)获得的最优模型代入验证集，得到预测值，然后根据模型的外部验证系数
Figure BDA0002572762360000061
验证集均方根误差RMSEext＝0.503，表明模型具有良好的外部预测能力,且R2与Q2之差远小于0.3，说明模型不存在过拟合现象，图1给出模型的拟合程度及验证结果。
5)应用域表征：采用基于标准残差δ对杠杆值hi的Williams图对模型的应用域进行表征，一般认为δ的绝对值大于3.0时，该化合物为离群点，当杠杆值hi大于警戒值h*时，说明该化合物结构与其他化合物结构有显著性差异；hi和h*由如下公式计算：
hi＝xi T(XTX)-1xi (1)
h*＝3(p+1)/n (2)
其中xi是第i个化合物的描述符矩阵；xi T是xi的转置矩阵；X是所有化合物的描述符矩阵；XT是X的转置矩阵；(XTX)-1是矩阵XTX的逆；p是模型中变量的个数，n是训练集中化合物的数量，如图2所示，模型的h*为0.079，因此，该模型适用于对hi小于0.079的化合物logKPA值的预测。
下面举出5个例子对本发明的方法进行验证说明。
实施例1
给定一个化合物PCB-74预测其log KPA值；首先经预处理后应用MOPAC软件计算出分子结构描述符α值为195.384，根据计算公式(2)得到该物质的hi值为0.0148<0.054，所以该化合物在模型应用域内；将上述描述符的值带入所建模型，得到log KPA预测值为6.71，实验值为6.52，预测值与实验值十分相近。
实施例2
给定一个化合物PCB-105预测其log KPA值；首先经预处理后应用MOPAC软件计算出分子结构描述符α值为208.795，根据计算公式(2)得到该物质的hi值为0.0169<0.054，所以该化合物在模型应用域内；将上述描述符的值带入所建模型，得到log KPA预测值为6.95，实验值为6.85，预测值与实验值十分相近。
实施例3
给定一个化合物Fluorene预测其log KPA值；首先经预处理后应用MOPAC软件计算出分子结构描述符α值为148.730，根据计算公式(2)得到该物质的hi值为0.0086<0.054，所以该化合物在模型应用域内；将上述描述符的值带入所建模型，得到log KPA预测值为5.02，实验值为5.81，预测值与实验值十分相近。
实施例4
给定一个化合物六氯苯预测其log KPA值；首先经预处理后应用MOPAC软件计算出分子结构描述符α值为154.642，根据计算公式(2)得到该物质的hi值为0.0093<0.054，所以该化合物在模型应用域内；将上述描述符的值带入所建模型，得到log KPA预测值为5.21，实验值为5.43，预测值与实验值十分相近。
实施例5
给定一个化合物联苯-D10预测其log KPA值；首先经预处理后应用MOPAC软件计算出分子结构描述符α值为138.205，根据计算公式(2)得到该物质的hi值为0.0074<0.054，所以该化合物在模型应用域内；将上述描述符的值带入所建模型，得到log KPA预测值为4.69，实验值为4.54，预测值与实验值十分相近。
经过上述5个例子可充分说明本发明的具有较好的仿真效果。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (6)

1.一种基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法，其特征在于，包括以下步骤：
步骤1)数据收集：通过文献收集包含若干种化合物的KPA实测值，得到数据集KPA，将化合物数据集KPA按照4:1原则随机划分为训练集和验证集；
步骤2)描述符计算：计算训练集中的化合物数据的分子结构描述符，在计算前，首先通过ChemBio3D Ultra软件生成初始化合物的分子结构，其次用Minimize Energy将其最小能量化，然后采用MOPAC中Mopac Interface PM7算法将化合物的分子结构进一步优化稳定并计算，从中提取出量化描述符，最后在PaDEL-Descriptor软件中计算各化合物的分子结构描述符；
步骤3)模型构建：将步骤2)计算出的各化合物分子结构描述符使用逐步多元线性回归在SPSS软件中运行，得到多个TLSER模型，选用其中决定系数R2 adj和外部验证系数
Figure FDA0002572762350000011
最大，参数最少的模型作为TLSER的最优预测模型；
步骤4)模型验证：验证模型的稳健性，表征模型的拟合度，并表征模型外部预测能力，验证合格后进入步骤5；
步骤5)应用域表征：通过Williams图对模型应用域进行表征；
步骤6)模型应用：利用所述模型预测未知化合物的PDMS膜/水分配系数。
2.根据权利要求1所述的理论溶解能关系模型预测持久性有机污染物PUF膜-空气分配系数的方法，其特征在于，所述的有机化合物包括多环芳烃、多氯联苯、苯类和杀虫剂4类共95种化合物。
3.根据权利要求2所述的基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法，其特征在于，步骤3)中得到的最优预测模型为：
log KPA＝0.032α+0.26
其中，α表征分子极化率(C·m2/V)，是分子体积相关的性质，用于表示理论溶解能关系模型中的空穴项，故分子体积是α产生空穴所吸收能量效应的量度。
4.根据权利要求1所述的基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法，其特征在于，步骤1)中的所述训练集中的化合物用于构建模型，进行内部验证，所述验证集中的化合物用于模型外部验证。
5.根据权利要求1所述的基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法，其特征在于，步骤4中采用自举法交叉验证系数Q2 BOOT和去一法交叉验证系数Q2 LOO验证模型的稳健性，采用自由度校正后的决定系数
Figure FDA0002572762350000021
和均方根误差RMSEext表征模型拟合度，采用用外部验证系数R2 ext和
Figure FDA0002572762350000022
表征模型外部预测能力。
6.根据权利要求1所述的基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法，其特征在于，步骤5的方法具体为：
采用基于标准残差δ对杠杆值hi的Williams图对模型的应用域进行表征，δ的绝对值大于3.0时，该化合物为离群点，当杠杆值hi大于警戒值h*时，说明该化合物结构与其他化合物结构有显著性差异；hi和h*由如下公式计算：
hi＝xi T(XTX)-1xi
h*＝3(p+1)/n
其中xi是第i个化合物的描述符矩阵；xi T是xi的转置矩阵；X是所有化合物的描述符矩阵；XT是X的转置矩阵；(XTX)-1是矩阵XTX的逆；p是模型中变量的个数，n是训练集中化合物的数量。
CN202010645145.2A 2020-07-07 2020-07-07 基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法 Pending CN111768815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010645145.2A CN111768815A (zh) 2020-07-07 2020-07-07 基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010645145.2A CN111768815A (zh) 2020-07-07 2020-07-07 基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法

Publications (1)

Publication Number Publication Date
CN111768815A true CN111768815A (zh) 2020-10-13

Family

ID=72724721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010645145.2A Pending CN111768815A (zh) 2020-07-07 2020-07-07 基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法

Country Status (1)

Country Link
CN (1) CN111768815A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634992A (zh) * 2020-12-29 2021-04-09 上海商汤智能科技有限公司 分子性质预测方法及其模型的训练方法及相关装置、设备
CN113591394A (zh) * 2021-08-11 2021-11-02 清华大学 有机化合物正十六烷/空气分配系数的预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488901A (zh) * 2013-09-25 2014-01-01 大连理工大学 采用定量结构-活性关系模型预测有机化合物的土壤或沉积物吸附系数
CN110534163A (zh) * 2019-08-22 2019-12-03 大连理工大学 采用多参数线性自由能关系模型预测有机化合物的辛醇/水分配系数的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488901A (zh) * 2013-09-25 2014-01-01 大连理工大学 采用定量结构-活性关系模型预测有机化合物的土壤或沉积物吸附系数
CN110534163A (zh) * 2019-08-22 2019-12-03 大连理工大学 采用多参数线性自由能关系模型预测有机化合物的辛醇/水分配系数的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱腾义: "基于理论线性溶解能关系预测有机污染物在PDMS与水中的分配系数", 《东南大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634992A (zh) * 2020-12-29 2021-04-09 上海商汤智能科技有限公司 分子性质预测方法及其模型的训练方法及相关装置、设备
CN113591394A (zh) * 2021-08-11 2021-11-02 清华大学 有机化合物正十六烷/空气分配系数的预测方法
CN113591394B (zh) * 2021-08-11 2024-02-23 清华大学 有机化合物正十六烷/空气分配系数的预测方法

Similar Documents

Publication Publication Date Title
CN110534163B (zh) 采用多参数线性自由能关系模型预测有机化合物的辛醇/水分配系数的方法
Middya et al. Pollutant specific optimal deep learning and statistical model building for air quality forecasting
CN104573863B (zh) 预测水相中有机化合物与羟基自由基反应速率常数的方法
CN103488901B (zh) 采用定量结构-活性关系模型预测有机化合物的土壤或沉积物吸附系数的方法
CN113722988B (zh) 定量构效关系模型预测有机物pdms膜-空气分配系数的方法
CN111768815A (zh) 基于理论线性溶解能关系模型预测POPs在PUF膜-空气的分配系数的方法
CN112229952A (zh) 一种检测化工园区有毒有害气体的方法
Zhu et al. NiO/ZnO Nanocomposites for Multimodal Intelligent MEMS Gas Sensors
Ray et al. Exploration of time series model for predictive evaluation of long-term performance of membrane distillation desalination
CN114358456A (zh) 一种基于大数据分析实现的快速水污染溯源方法
CN103425872A (zh) 通过定量构效关系模型预测大气中有机物与羟基反应速率常数的方法
CN109524063B (zh) 疏水性有机物被动采样材料硅橡胶与水之间分配系数的预测方法
CN110853701A (zh) 采用多参数线性自由能关系模型预测有机化合物的鱼类生物富集因子的方法
CN111768813A (zh) 基于sw-svm算法的定量构效关系模型预测有机物pdms膜-水分配系数的方法
Han et al. Interactive impacts of atmospheric, soil, and vegetation conditions on land surface energy partitioning over a coastal wetland in Northern China
CN112086141A (zh) 基于定量结构性质关系预测有机污染物pa-水分配系数的方法
Yao et al. Evaluation method for moisture content of oil‐paper insulation based on segmented frequency domain spectroscopy: From curve fitting to machine learning
CN111768812A (zh) 一种预测有机物pdms膜-水分配系数的方法
CN111402962B (zh) 预测有机污染物在聚乙烯微塑料和水相间分配常数的方法
CN107516016B (zh) 一种构模预测疏水性化合物的硅油-空气分配系数的方法
CN112598178A (zh) 一种基于贝叶斯框架下的大气污染物浓度预测方法
In Ieong et al. Using principle component regression, artificial neural network, and hybrid models for predicting phytoplankton abundance in Macau storage reservoir
Zhang et al. Advanced algorithms to predict time-dependent atmospheric corrosion wastage of low-alloy and high-strength steels based on chemical compositions
CN111768814A (zh) 基于定量构效关系预测有机污染物pom-水分配系数的方法
Halama et al. Prediction of atmospheric corrosion of carbon steel using artificial neural network model in local geographical regions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201013