机器学习驱动的离子液体对含硫化合物分配比、选择性和分配系数影响的理论研究：QSPR模型构建与应用

为解决燃料油中硫化物(SOx)排放引发的环境与健康问题，研究人员采用定量结构-性质关系(QSPR)方法，结合遗传算法多元线性回归(GA-MLR)和最小二乘支持向量机(LS-SVM)，系统研究了42种离子液体(ILs)对噻吩、苯并噻吩和二苯并噻吩的分配比(D)、选择性(S)和分配系数(KN)的影响。研究构建的预测模型R2最高达0.96，揭示了ILs结构与萃取效率的构效关系，为绿色脱硫技术开发提供了理论指导。

　　

随着全球环保法规日益严格，燃料油中硫化物(SO_x)的排放控制成为亟待解决的难题。传统加氢脱硫(HDS)技术虽能有效去除硫化物，但对杂环化合物存在空间位阻效应，且需高温高压条件。离子液体(ILs)作为绿色溶剂，因其可设计的结构和优异的萃取性能成为研究热点，但高昂的实验成本和复杂的结构优化限制了其应用。

为突破这些瓶颈，研究人员开展了一项开创性研究，通过定量结构-性质关系(QSPR)结合机器学习算法，系统预测了ILs对含硫化合物(SCCs)的萃取性能。该研究创新性地采用几何优化和稳定构象确定技术，首次实现了对ILs整体结构的描述符计算。相关成果发表在《Fuel》期刊，为脱硫技术的智能化设计提供了新范式。

研究团队运用三大关键技术：1) 基于PM6理论的离子对几何优化；2) 遗传算法(GA)驱动的描述符筛选；3) 最小二乘支持向量机(LS-SVM)非线性建模。从42种ILs的实验数据出发，通过主成分分析(PCA)划分训练集与测试集，采用Dragon软件计算1184-1255个分子描述符，建立了高精度预测模型。

【几何分析】
通过PM6方法优化ILs的阴阳离子空间构型，发现阴阳离子间距和角度显著影响分子极性。采用Barysz矩阵加权描述符(ChiA_Dz(p))揭示，含氧电负性原子的ILs通过氢键增强对苯并噻吩(BT)的萃取，其分配比(D)预测值达2.16（实验值2.08）。

【模型构建】
GA-MLR线性模型对噻吩分配比的预测R²达0.96，关键描述符SM03_EA(dm)显示键偶极矩是影响萃取的主要因素。LS-SVM非线性模型将二苯并噻吩(DBT)分配系数(K_N)的预测精度提升至R²=0.91，参数γ=7.97和σ²=2.04优化后的模型误差降低37%。

【构效关系】
描述符分析表明：1) 吡啶类ILs([bmPY][DCA])因芳环π-π堆积作用具有最高选择性(S=280.8)；2) 喹啉类ILs([C₄⁶mquinolinium][N(CN)₂])因空间位阻效应呈现最大K_N(7.74)；3) MATS3m描述符证实分子质量分布影响噻吩的溶解动力学。

这项研究实现了三大突破：首先，建立了首个涵盖噻吩、苯并噻吩和二苯并噻吩的QSPR预测体系；其次，创新性地采用整体离子对优化策略，较传统分步分析法误差降低50%；最后，通过机器学习揭示了ILs的"结构-萃取"规律，为定向设计高效脱硫剂提供了分子蓝图。特别值得注意的是，研究发现非芳香阳离子(如吗啉类ILs)通过氢键作用对硫化物表现出特殊亲和性，这颠覆了传统认知中芳环必需的理论。

研究成果不仅大幅降低了ILs筛选的实验成本，更重要的是建立了可扩展的预测框架。未来通过引入更多阴离子类型和深度学习方法，有望实现全类型硫化物的精准预测，推动绿色炼油技术的革新。该工作标志着计算化学在环境治理领域应用的重要里程碑，为"双碳"目标下的清洁能源开发提供了新思路。