基于QSPR模型对自由基和中间体物种的关键参数及分子参数进行预测,以用于维里状态方程模型的构建

《Fluid Phase Equilibria》:QSPR-based prediction of critical and molecular parameters for radical and intermediate species toward virial equation of state modeling

【字体: 大 中 小 】 时间:2026年09月18日 来源:Fluid Phase Equilibria 2.7

编辑推荐:

  • QSPR框架预测了反应性物种缺失的维里状态方程参数。• 估算了GRI-Mech 3.0物种的临界和分子参数。• 通过相关性控制的GA-RF-CFBM-SBS方法选择了紧凑的描述符。• BPNN模型对所有属性的外部R2值均超过了0.939。• 应用领域分析确认没有严重的预测异常

  • QSPR框架预测了反应性物种缺失的维里状态方程参数。• 估算了GRI-Mech 3.0物种的临界和分子参数。• 通过相关性控制的GA-RF-CFBM-SBS方法选择了紧凑的描述符。• BPNN模型对所有属性的外部R2值均超过了0.939。• 应用领域分析确认没有严重的预测异常值。

引言
对高压反应性流体的精确热物理性质建模对于描述化学反应系统中的真实流体效应至关重要[1,2]。在高压或超临界条件下,分子间相互作用、分子关联和极化效应变得不可忽视,导致压缩因子和热力学性质与理想气体行为有显著偏差[3,4]。这些效应在高压燃烧环境中尤为重要,包括柴油发动机、燃气轮机和火箭发动机,其工作压力可达到数十至数百个大气压[5]。因此,需要可靠的状态方程和完整的热物理性质输入来进行真实流体的反应流模拟。为了将真实流体效应纳入反应流模拟,基于状态方程的热力学描述已被广泛采用。经典的立方状态方程(EoS),如范德华状态方程[6]、Redlich–Kwong(RK)EoS[7]、Soave–Redlich–Kwong(SRK)EoS[8]和Peng–Robinson(PR)[9] EoS,已被应用于高压氢气和甲烷火焰的模拟,以及超临界H?O/CO?混合物中的氢氧化[10,11]。尽管这些立方EoS简单方便,但它们本质上是半经验模型,无法从分子间相互作用的角度揭示真实流体效应的物理本质[12]。相比之下,维里状态方程通过维里系数将宏观热力学性质与分子相互作用联系起来,提供了一个更理论化的框架。先前的研究表明,基于维里状态方程的方法可以改善超临界氧化系统中压缩因子、热力学性质和化学势的预测[13]。Wang等人通过结合高阶维里展开的多体势的从头算计算表明,他们的方法与传统方法相比,将压缩因子和热力学性质预测的准确性提高了约20%[12]。该框架进一步扩展到超临界自燃模拟,能够定量评估真实流体对燃烧行为的影响[14]。此外,首次使用维里状态方程实现了喷射搅拌反应器中超临界氧化的准确建模,结果表明真实流体效应使燃料消耗率增加了50%以上[5]。在此基础上,Wang等人还将高阶维里状态方程框架扩展到NH3氧化和NH3/H2或NH3/CH4混合物的超临界JSR模拟中。在该研究中,高阶维里状态方程被用作真实流体的热力学处理,结果显示这种处理提前了NH3氧化的开始时间。与基于理想气体假设的模拟相比,基于真实流体维里状态方程的模拟可能导致物种摩尔分数偏差达到±85%[15]。根据上述研究,基于统计力学的维里状态方程在理论完整性和物理可解释性方面比仅通过实验数据拟合得到的经验状态方程具有显著优势。维里状态方程可以系统地考虑多体相互作用和自由基之间的耦合效应,从而在描述燃烧系统中的真实流体效应时实现更高的准确性和更广泛的应用性。Xu等人基于对应状态原理,系统地建立了一套适用于非极性、极性和量子流体及其混合物的第二和第三维里系数的经验相关模型[16],[17],[18],[19]。通过比较使用维里状态方程计算的热力学性质和多参数状态方程得到的热力学性质,评估了这些模型的预测能力和适用性。基于1%的偏差标准,报告的有效温度-密度区域和相应的压力区域表明,维里状态方程可以准确描述包括pvT性质、等压热容量和声速在内的关键热力学性质,在广泛的适用范围内[20]。因此,维里状态方程可以为真实流体燃烧建模提供有用的热物理性质计算基础。基于对应状态原理的维里系数表示为[16,17]:
Br=BPcRTc=f(0)(Tr)+ωf(1)(Tr)+a(μr)f(2)(Tr)
Tr=TTc
Cr=CPc2(RTc)2=C(0)(Tr)+?(Tr,ω,μr)
μr=5/2.46μ2pcTc2
其中pc和Tc分别是临界压力和温度;ω是偏心因子;μ是偶极矩;f(0)、f(1)、f(2)和C(0)都是温度依赖函数。?是归一化温度Tr、偏心因子ω和偶极矩μ的函数。在燃烧建模过程中,需要对流体的热力学性质(如恒压比热容cp和焓h)进行修正。这些热力学性质是从维里系数得出的。因此,计算参与燃烧过程的所有流体的维里系数是必要的。因此,必须获得方程(1)-(3)中所需的参数,即pc、Tc、μ和ω。在燃烧过程中,除了稳定物种外,还会生成大量的中间体和自由基,它们对燃烧行为的影响不可忽视[21]。然而,由于这些自由基和中间体的极高反应性和不稳定性,无法直接确定它们的热物理常数(pc、Tc、μ和ω)。为了确保燃烧建模的完整性和准确性,构建可靠的预测模型以估计自由基和中间体的临界和分子特性参数是必要的[22]。先前的燃烧建模研究[13,22]报告说,包括Ambrose[23,24]、Joback[25,26]和Fedors[27]开发的群体贡献方法,可以用来估计中间体和自由基缺失的临界参数。其中,Ambrose方法被最广泛采用。群体贡献方法通过将分子分解为预定义的功能团并 summing 它们的经验贡献值来估计性质[28]。然而,当所需组的贡献值不可用时,可能无法使用这些方法计算某些自由基的性质。相比之下,QSPR方法使用可以通过商业软件快速生成的分子描述符;因此,一旦获得相应的分子描述符,就可以预测自由基的性质。此外,先前的研究已经证明了QSPR方法的可靠性。例如,Li等人[29]结合了Carnahan–Starling状态方程定义的分子压力描述符和机器学习算法(GA-BPNN/GS-SVM),对碳氢化合物的自扩散和互扩散系数实现了高达0.978至0.991的预测准确性。同样,Pan等人[30]使用14个分子描述符和支持向量机和极端梯度提升算法构建了二元有机混合物的预测模型,预测误差低至1.27%。这些研究表明,QSPR方法为预测自由基和燃烧中间体的临界和分子特性参数提供了高效可靠的方法。为了解决燃烧建模中中间体和自由体的临界和分子特性参数的缺失问题,本研究提出了一种高效的基于QSPR的预测方法。以GRI-Mech 3.0机制[31]为例,选择了83种与机制文件中的自由基和中间体在结构上相似的稳定化合物。结合遗传算法优化的特征选择和多种机器学习方法(支持向量回归、SVR;反向传播神经网络、BPNN;最小二乘提升、LSBoost),构建了12个QSPR模型来预测临界压力、临界温度、偏心因子和偶极矩。统计分析表明,基于BPNN的模型具有最好的预测性能,Rext2≥0.939。使用多个统计参数评估了模型性能,并通过Williams图验证确认了模型对结构相似化合物的适用性。结果表明,开发的模型可以用于估计GRI-Mech 3.0机制中25种关键中间体和自由体的临界和分子特性参数[31],从而为维里状态方程在燃烧模拟中的未来应用提供了临时参数估计和方法论基础。然而,由于这些自由基和不稳定中间体的实验验证Tc、pc和ω数据仍然不可用,且本研究未进行基于维里状态方程的下游燃烧模拟,因此目前的结果尚不能确定引入这些预测参数是否会对燃烧模型预测带来明显的改进。鉴于这些限制,所提出的QSPR–维里状态方程–燃烧模型工作流程应被视为属性估计的应用途径,此类下游验证将在未来的工作中进行。本文的结构如下:第2节描述了数据收集和建模方法。在2.1化合物筛选中,选择了结构相似的稳定化合物,并收集了它们相应的临界和分子特性参数的实验数据。第2.3节介绍了描述符选择方法,将相关性控制机制纳入GA-RF-SBS框架中。这一修改使筛选过程在保持预测准确性的同时有效避免了特征冗余。第2.4节介绍了基于SVR、BPNN和LSBoost的QSPR模型的构建。第3节展示了结果和讨论。在3.1节中,系统地比较了使用三种建模方法开发的QSPR模型的Rext2和RMSEext,从而展示了建模性能。3.2模型评估和3.3应用领域通过外部验证和应用领域分析评估了基于BPNN的QSPR模型的预测准确性,并进一步解释了所选分子描述符的物理化学意义。第4节将建立的QSPR模型扩展到预测GRI-Mech 3.0机制中自由基和中间体的临界和分子特性参数。最后,第5节总结了本研究的主要结论和研究发现。

材料与方法
本节首先介绍了选择与燃烧过程中生成的自由基和中间体在结构上相似的稳定分子的程序。随后详细介绍了本研究中采用的相应稳定分子的临界和分子特性参数数据的收集、分子描述符选择标准以及QSPR模型开发的标准化工作流程[32]。

模型比较
不同的建模方法各有优势,选择适当的方法对于提高预测准确性至关重要。本研究旨在预测燃烧过程中产生的自由基和中间体的四个临界和分子特性参数。对于每个参数,选择了三种建模方法,共开发了12个QSPR模型,并评估了每个模型的性能。图6展示了Rext2和RMSEext的分布。

自由基和中间体的QSPR预测评估
在本节中,将训练好的QSPR模型应用于估计GRI-Mech 3.0机制[31]中涉及的自由基和中间体的Tc、pc、μ和ω值。然而,由于大多数这些不稳定物种的实验验证数据仍然不可用,因此无法直接评估预测值的绝对准确性[22]。此外,本研究未进行基于维里状态方程的下游燃烧模拟;因此,无法确定这些

结论
本研究使用支持向量回归(SVR)、反向传播神经网络(BPNN)和最小二乘提升(LSBoost)算法开发了十二个定量结构-性质关系(QSPR)模型,以估计燃烧中间体和自由体的临界和分子特性参数。使用六到八个分子描述符,这些模型在模型开发中使用的稳定化合物数据集上表现出强大的预测性能。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号