基于蟻群算法對有機物熱容的預測研究

白帆　時靜潔（江蘇富淼科技股份有限公司，江蘇　張家港　215613）

基于蟻群算法對有機物熱容的預測研究

白帆時靜潔（江蘇富淼科技股份有限公司，江蘇張家港215613）

根據(jù)定量構(gòu)效關(guān)系（QSPR）原理，研究有機物熱容與其分子結(jié)構(gòu)間的內(nèi)在定量關(guān)系。以650種有機化合物作為樣本集，隨機選擇520種作為訓練集，130種作為測試集，采用蟻群算法（ACO）進行變量選擇，得到5個特征描述符作為模型的輸入變量，結(jié)合多元線性回歸（MLR）方法建立了蟻群-多元線性回歸（ACO-MLR）預測模型。研究結(jié)果表明：ACO-MLR模型的訓練集和測試集的復相關(guān)系數(shù)分別為0.9430和0.9344，預測效果令人滿意。該研究提供了一種新的預測有機化合物熱容的方法。

熱容；蟻群算法；多元線性回歸；預測

熱容表示系統(tǒng)升高單位熱力學溫度時所吸收的熱［1］，是化合物的基本熱學性質(zhì)之一。熱容的變化提供了化合物相變信息以及化合物分子結(jié)構(gòu)的變化，獲悉該方面信息是非常重要的。液體的熱容值在工程應用中是一個非常重要的性質(zhì)，在能量轉(zhuǎn)移以及熱動力學的計算中也是必需的參數(shù)［2］。熱容性質(zhì)涉及到很多領(lǐng)域，其中包括石油化工行業(yè)、制藥和食品工業(yè)等。在這些行業(yè)的很多過程都涉及到了熱容，如蒸餾過程、蒸發(fā)過程、提取過程和加熱過程［3］。比如在某個溫度范圍內(nèi)進行熱交換，離子液體會呈現(xiàn)出某些性質(zhì)而使物質(zhì)更穩(wěn)定，其中就包括熱容。熱容的實驗測定有很多方法，但測定比較復雜，例如差示掃描量熱儀法［4］、熱線式方法［5］、溫度振蕩量熱法［6］等?？紤]到獲取熱容的重要性以及實驗測定的復雜性，發(fā)展方便可靠的理論預測熱容方法迫在眉睫。目前，關(guān)于理論預測有機物熱容的文獻比比皆是，但有機物液體熱容的QSPR預測模型卻為數(shù)不多。因此，本章擬從分子結(jié)構(gòu)角度出發(fā)，應用QSPR研究體系，系統(tǒng)研究有機物熱容與其分子結(jié)構(gòu)間的內(nèi)在定量關(guān)系，建立相應的QSPR預測模型，并評價其模型的預測效果。

1　實驗樣本說明

可靠的預測模型必須建立在可靠的實驗樣本基礎(chǔ)之上。在定量結(jié)構(gòu)-性質(zhì)關(guān)系研究中，數(shù)據(jù)的精確性對于最終的結(jié)果具有至關(guān)重要的影響。本文研究的樣本集為650種有機化合物的熱容，包括碳氫化合物、鹵素化合物、醇、酯、醛、酮等。這些化合物涵蓋了廣泛的化學多樣性空間，為建立健壯、有效的預測模型奠定了基礎(chǔ)。此外，為了避免由于數(shù)據(jù)來源不統(tǒng)一造成的誤差，所有化合物熱容數(shù)據(jù)均來自于同一個數(shù)據(jù)庫——《有機化合物實驗物性數(shù)據(jù)手冊：含碳、氫、氧、鹵部分》。

2　分子描述符的計算與預篩選

分子描述符的計算首先是在HyperChem 7.5軟件中對分子結(jié)構(gòu)進行輸入與優(yōu)化，導入Dragon 2.1軟件中計算分子描述符，獲得18類共1481種分子描述符，其計算的描述符種類包括結(jié)構(gòu)描述符，幾何描述符，拓撲描述符等。大量的分子描述符中必然存在冗余信息，因此對常數(shù)或者近似常數(shù)的描述符以及描述符間相關(guān)系數(shù)達到0.95以上的描述符進行刪除，減少至660個。如此龐大的分子描述符數(shù)量還是無法有效進行QSPR模型的建立，因此，本文采用ACO對分子描述符進行進一步篩選。

3　ACO-MLR熱容預測模型

運用ACO對660個描述符進行進一步篩選，ACO是在VC++6.0中采用C語言編程，螞蟻數(shù)量設(shè)為500，揮發(fā)率設(shè)為0.9，進行不斷迭代直至收斂，最終獲得5個特征描述符。隨后，以ACO篩選的5個描述符作為輸入?yún)?shù)，運用SPSS17.0統(tǒng)計軟件中的多元線性回歸模塊，在95%的置信區(qū)間內(nèi)，得到了MLR預測模型，結(jié)果如下：

Cp=21.594-10.970*ATS4m+8.598*HATS4u+0.787

*TIC4+20.824*S1K+1.605*C-024（5.2）

n=520，R2=0.943，SD=21.250，F(xiàn)=1697.199，p＜0.001

式中，Cp為熱容值，n為訓練集樣本數(shù)目，R2為決定系數(shù)，SD為模型標準誤差，F(xiàn)為F

檢驗值，F(xiàn)實際=1697.199＞F理論（5，514，0.05）=2.25，模型的顯著性概率p遠小于0.05，認為該回歸方程及所篩選變量的影響均是顯著的。

為檢驗模型的擬合能力和外部預測能力，應用該模型分別對訓練集和測試集進行預測，其訓練集和測試集的復相關(guān)系數(shù)分別為0.9430和0.9344。

4　結(jié)語

本文運用蟻群算法（ACO）作為分子描述符篩選方法，與多元線性回歸（MLR）方法進行組合建立了ACO-MLR模型，對650種有機化合物的熱容進行了QSPR研究。所建立的QSPR熱容預測模型的預測值與實驗值非常接近，其R2均在0.9以上，預測誤差在可接受范圍之內(nèi)。因此，本文所建模型可用于對有機物熱容的預測，為其提供了一種新的有效方法，對于化工安全設(shè)計和風險評價研究具有重要的意義。

［1］趙敏，強曉明，章韋芳.一種新型比熱容測量儀［J］.大學物理.2016（2）.

［2］蔣華龍，周大偉，劉旭焱等.壓力下MoS2的結(jié)構(gòu)相變以及熱動力學性質(zhì)的第一原理研究［J］.低溫物理學.2014（5）.

［3］陳永艷，田瑞，王亞輝等.膜蒸餾系統(tǒng)中熱容腔結(jié)構(gòu)參數(shù)優(yōu)化的試驗研究［J］.工程熱物理學報.2015（2）.

［4］羅昭強，譚蓬.應用DSC法測量有機熱載體比熱容［J］.鍋爐制造.2016（1）.

［5］鄭明陽，王天為，張國鋒.理想氣體熱力學過程吸放熱情況的圖像判斷法［J］.物理與工程.2014（3）.

［6］張濤，孫冰.航天器再入全過程軸對稱燒蝕熱防護數(shù)值仿真研究［J］.宇航學報.2011（5）.