电性拓扑状态指数预测烃类物质闪点

 摘要：建立了一个应用电性拓扑状态指数预测烃类物质闪点的定量结构-性质相关性(QSPR)的研究模型。该指数易于计算，有较强的同分异构体区分能力。计算了116种烃类化合物的原子类型电性拓扑状态指数(ETSI)，并以其有效表征物质的分子结构特征。分别采用线性回归分析法和人工神经网络法对所研究化合物的闪点与其分子结构之间的定量关系进行研究。训练集的线性回归方法和神经网络方法的平均相对误差分别为3.8%和2.7%；测试集的两种方法的平均相对误差分别为3.1%和2.0%。实验结果表明，无论是线性回归分析法还是人工神经网络法，闪点预测值与实验值均符合良好，优于传统基团贡献法所得结果。该方法的提出为工程上提供了一种根据分子结构预测有机物闪点的新方法。     

基于支持向量机方法的烃类物质自燃点预测

 基于定量结构-性质相关性（QSPR）原理,研究了烃类物质自燃点与其分子结构间的内在定量关系;采用新近提出的支持向量机方法对90种烃类物质的自燃点进行了研究,建立了根据分子结构预测烃类物质自燃点的数学模型;分别采用内部验证及外部验证的方式对模型性能进行了验证。结果表明,自燃点预测值与实验值符合良好,平均绝对误差为21.0℃,均方根误差为27.21,优于多元线性回归和人工神经网络方法所得结果。本方法的提出为工程上提供了一种预测烃类物质自燃点的新的有效方法。     

基于原子类型电拓扑状态指数的QSPR模型预测链烷烃辛烷值

为了研究化合物结构与其辛烷值之间的相关性,以原子类型电拓扑状态指数作为描述符表征分子的结构特征,从40个样本中选取30种链烷烃作为训练集,对研究法辛烷值选取8个作为测试集,对马达法辛烷值选取7个作为预测集,利用SPSS软件进行多元线性回归,建立了辛烷值的定量结构-性质关系。得到的研究法辛烷值和马达法辛烷值预测模型复相关系数分别为0.965、0.955和均方根误差分别为5.4338、4.9404,并对模型进行内部和外部验证。结果表明,该模型具有较好的稳定性及预测能力。     

用GC-K1基团贡献法估算烃类物质的正辛醇-水分配系数

提出了一种新的估算烃类物质的正辛醇水分配系数的基团贡献法———GC-K1基团贡献法,该方法仅需要物质的常压沸点和相对分子质量。将烃类物质的基团划分为25个,用6类143种烃类物质的实验值进行回归,得到基团对正辛醇水分配系数的贡献值和模型参数。用三水平基团贡献法、AFC碎片常数法和分子连接性指数法分别预测烃类化合物的正辛醇水分配系数,结果表明,新模型的平均相对偏差为5 55%,均优于其它3种方法。     

汽油组分及汽油辛烷值预测方法研究进展

介绍了汽油组分及汽油辛烷值预测方法,重点阐述拓扑指数法、基团贡献法对汽油组分辛烷值的定量结构-性质相关性的研究,并综述利用仪器分析提取参数对汽油辛烷值进行构效关系研究。综述了分别采用人工神经网络法﹑遗传算法﹑支持向量机﹑多元线性回归法﹑偏最小二乘法对汽油及汽油组分辛烷值进行拟合的情况及优劣,由于拓扑指数计算比较简单,能较完善的表示分子结构特征,得到的辛烷值预测模型的相关性比其他方法较好,该方法是目前比较广泛使用的一种方法。     

近红外光谱法测量喷气燃料防冰添加剂含量的实验研究

利用近红外光谱分析技术研究了喷气燃料防冰添加剂浓度的检测方法。通过实验得到不同防冰剂浓度喷气燃料试样的近红外吸收光谱,分析表明:防冰剂浓度与吸光度之间存在一定的数量关系。分别用一元线性回归、多元线性回归和主成分回归法建立预测模型,并对3个不同浓度的样品进行预测,验证结果表明:主成分回归法测量误差最小,其平均相对误差为5.7%,平均绝对误差为0.007%。该研究表明,利用近红外光谱分析技术对防冰剂浓度的预测是完全可行的。     

基于BP 神经网络的石油运聚系数预测模型

根据一系列石油运聚单元的解剖结果,筛选出影响石油运聚系数的主控地质因素。建立了以主控地质因素为输入向量,运聚系数为输出向量的BP 神经网络石油运聚系数预测模型。应用结果表明,所建立的BP 神经网络模型具有较好的预测效果,平均相对误差为10.89%,有效性指数达到92.51%,且运聚系数预测精度高于多元非线性回归模型的预测。     

二元可燃混合液体自燃点的实验与理论预测

为了研究二元可燃混合液体自燃点变化规律并对混合液体自燃点进行预测,采用AITTA 551 自燃点测试仪对不同组分和配比的168组二元可燃混合液体的自燃点进行了测定。根据基团贡献法原理,在纯物质自燃点理论预测模型的基础上,对模型进行改进,提出更适用于二元混合液体自燃点的预测模型,并采用多元非线性回归方法进行拟合,建立了二元可燃混合液体自燃点预测模型。模型对训练集和测试集预测平均绝对误差分别为20.1042℃和25.9045℃,平均绝对百分误差分别为5.18%和7.25%, 整体预测误差在实验允许误差范围之内。模型对烷-烷和醇-醇二元混合体系预测效果最佳,对含有苯环的混合体系预测能力一般。本文为可燃混合液体自燃点的理论预测提供了一种新的有效方法。     

汽油储存安定性与烃族组成关系的研究

采用相关分析法考察汽油调合组分和汽油成品油中各种烃类物质间的相互关系以及烃类物质与汽油储存安定性指标的相关性;并用逐步线性回归方法,建立储存安定性指标与烃类组成关系的回归模型,根据回归模型确定了对储存安定性指标产生影响的主要烃类物质,芳烃对辛烷值、10%蒸发温度、50%蒸发温度、密度、色度影响最大;烯烃尤其是正构烯烃和异构烯烃对90%蒸发温度、酸度、胶质、诱导期、碘值、饱和蒸气压影响最大。F检验结果表明,回归模型显著,可以用来预测汽油储存安定性。     

海洋环境下3C钢腐蚀速度多元非线性回归模型的建立及验证

通过分析海水环境因素对钢材腐蚀速度的影响,采用多元非线性分析方法建立了计算3C钢腐蚀速度的多元非线性数学模型,并将其计算结果与线性回归模型的计算结果及实验结果进行了对比。结果表明:在考虑各自变量相互作用的情况下,本文建立的多元非线性模型的平均相对误差为8.249%,均方误差为1.607,其精度高于未考虑各自变量相互作用的非线性模型精度;而线性模型的平均相对误差为12.406%,均方误差为4.169,其精度低于非线性模型;采用三次多项式来描述腐蚀速度与温度和盐度之间的关系是合理的。本文研究结果可为海洋环境下3C钢腐蚀速度的预测提供有益借鉴。     

液态碳氢燃料燃烧特性的研究现状和展望

综述了国内外液态碳氢燃料燃烧特性相关的实验、化学机理研究现状,着重介绍了火焰传播特性、熄灭特性、着火特性和产物特性的实验方法和化学动力学模型。液态碳氢燃料的燃烧特性受到人们越来越多的重视,目前的研究主要集中在含碳原子数12（即C₁₂）以下的碳氢燃料,并且基本在常压条件下开展,而加压实验及作为航空煤油和柴油主要成分的C₁₂以上碳氢燃料的研究甚少。高碳数碳氢燃料的燃烧机理比碳数较低的碳氢燃料更加复杂,不能简单地从小分子碳氢燃料的研究结果进行外推。因此,未来需要加强加压条件下的液体碳氢燃料和C₁₂以上高碳数碳氢燃料燃烧特性的研究。与此同时,需要深入开展相关化学反应机理模型和简化机理的研究,以便更准确地预测燃料的燃烧性质和促进燃烧数值模拟。     

多层水驱开发油田采收率快速预测方法

为了快速准确预测水驱开发油田的采收率,在考虑储层特征、流体性质等影响原油采收率因素的基础上,建立了基于反向传播神经网络优化算法的采收率快速预测方法。首先,以蓬莱19-3油田地质特征和流体性质为依据,建立了油藏数值模拟地质模型,选取渗透率变异系数、原油黏度、油层净毛比和生产压差等4个关键因素,每个因素选取5个水平,采用油藏数值模拟方法对625组数据进行了模拟,建立了625组采收率及其影响因素关系数据库;然后,基于BP网络及优化理论,建立了快速预测采收率的人工神经网络方法。选取500组数据作为算法训练集,125组数据进行测试,测试结果表明,125组测试数据的预测采收率相对误差范围为?2.91%～5.07%,平均相对误差为0.16%,满足工程精度要求。多层水驱开发油田采收率快速预测方法为蓬莱19-3油田及其他同类油田采收率快速预测提供了新的技术手段。      

Prediction of the Surface Tension of Hydrocarbons

Prediction of the surface tension of hydrocarbons is required in many chemical engineering calculations. In this work a robust artificial neural network code has been used in MATLAB software (The MathWorks, Natick, MA) to predict the surface tension prediction of 61 hydrocarbons. Experimental data is divided into two parts (70% for training and 30% for testing). Optimal configuration of network is obtained with minimization of prediction error on testing data. The accuracy of our proposed model is compared to four well-known empirical equations. Results showed that artificial neural network was more accurate than these empirical equations. Average relative deviation of our artificial neural network model is 0.93 while average relative deviation of the Brock-Bird, Pitzer, Zuo-Stenby, and Sastri-Rao equations are 6.30, 6.48, 5.73, and 6.33, respectively.     

基于径向基函数神经网络的平台许用重心高度预测

为保障平台的安全生产,得到更精确的许用重心高度曲线,提出采用人工智能预测平台许用重心高度的方法以代替粗略估算的线性插值法。以某自升式风电安装平台的不同吃水作为神经网络输入层、相对应的完整稳性许用重心高度作为输出层进行训练,使用经过训练的神经网络预测许用重心高度曲线。对预测结果与实际值、线性插值法计算值进行比较,神经网络预测结果的最大相对误差为1.43%,神经网络法比线性插值法精度更高,证明其能够精确预测完整稳性许用重心高度曲线,可为平台的安全运营提供支持。     

致密砂岩储层孔隙度定量预测——以鄂尔多斯盆地姬塬地区长8油层组为例

鄂尔多斯盆地姬塬地区长8油层组为典型的低孔、低渗致密砂岩储层。由于其孔隙结构复杂、非均质性强,应用传统的孔隙度计算方法误差较大,结合姬塬地区长8油层组的具体地质特征,运用广义回归神经网络模型对致密砂岩储层孔隙度进行了预测。结果表明,利用该方法预测的孔隙度与利用岩心分析的孔隙度符合率较高。该方法对于未取心井区致密砂岩储层孔隙度的研究具有很好的应用前景。     

人工神经网络基团贡献法预测有机物闪点

建立了一个基于误差反向传播(Back-Propagation,BP)神经网络方法的基团贡献模型,用于预测有机物闪点。以32种分子基团作为神经网络的输入参数,闪点作为输出,研究有机物闪点与分子结构之间的相关性。实验样本由258种有机物构成,并随机划分为训练集(216种)和预测集(42种)。通过试差法确定神经网络最优参数,应用最优BP网络结构(32-4-1)进行模拟,结果表明,闪点预测值与实验值符合良好,绝对平均绝对误差6.22K,绝对平均相对误差2.24%,优于传统基团贡献法所得结果。该方法的提出,不仅揭示了有机物闪点与分子结构之间的定量关系,而且为工程上提供了一种预测有机物闪点的新的有效方法。     

Prediction of formation of polycyclic aromatic hydrocarbon (PAHs) on sediment of Caspian Sea using artificial neural networks

In this article the amount of polycyclic aromatic hydrocarbon (PAHs) on the sediment of Caspian Sea predicted by artificial neural networks multi-layer perceptron (MLP) and generalized regression (GRNN) models. PAH is a most important pollutant in a marine environment derived from an anthropogenic and natural source. This component is mutagenic and Carcinogenic extremely. In this investigation, a multi-layer perceptron and Generalized regression neural network models have been developed by experimental data (organic matter, latitude, longitude, depth and effective matter (particle size)) reported in the literature. As a result, experimental data compared to the output of models by calculation of mean squared error (MSE), root mean squared error (RMSE), mean absolute error percent (MEAE), maximum absolute error percent (MAAE) and R². Results have shown an appropriate fitting for experimental data with predicted values .Also, MLP neural network has the best performance to predicating of PAHs.