مدل های جدید مبتنی بر ساختار با استفاده از توصیف کننده های مخلوط برای پیش بینی دمای اشتعال مخلوط های آلی دو جزئی

محورهای موضوعی : مدل سازی

زهره فرامرزی ¹ , فاطمه عباسی تبار ^{2 *} , وحید زارع شاه آبادی ³

1 - دانشکده معدن، نفت و انرژی، دانشگاه آزاد اسلامی واحد ماهشهر، خوزستان، ایران.
2 - گروه شیمی، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران.
3 - دانشکده معدن، نفت و انرژی، دانشگاه آزاد اسلامی واحد ماهشهر، خوزستان، ایران.

تاریخ دریافت : 1404/04/17 تاریخ پذیرش : 1404/05/23 تاریخ انتشار : 1404/06/23

کلید واژه: رابطه کمی ساختار-خاصیت, نقطه اشتعال, الگوریتم کولونی مورچگان حافظه دار, توصیف کننده مخلوط, رگرسیون خطی چند متغیره.,

چکیده مقاله :

به دلیل اهمیت مخلوطهای دو تایی و کاربرد وسیع آنها در صنعت، تخمین نقطه اشتعال آنها حائز اهمیت است. از این رو، در این مطالعه، مدل های رابطه کمی ساختار-خاصیت(QSPR) برای پیش بینی نقطه اشتعال پذیری مخلوطهای آلی دو تایی ایجاد شد. بزرگترین چالش در مطالعات QSPR مخلوط ها، محاسبه توصیف کننده عددی برای توصیف ویژگی یک مخلوط است. در این تحقیق، ۲۲ مجموعه از توصیف کننده ها حاصل از روابط ریاضی مختلف برای محاسبه توصیف کننده های مخلوط از توصیف کننده های مولکولی ترکیبات خالص به کار برده شد. الگوریتم کولونی مورچگان حافظه‌دار(Memorized-ACO) همراه با رگرسیون خطی چند متغیره(MLR) برای انتخاب بهترین زیر مجموعه توصیف‌کننده‌هایی که سهم قابل توجهی در خاصیت اشتعال پذیری دارند به کار برده شد. مدل مبتنی بر توصیفگر sqr-fmol-sum به عنوان بهترین مدل انتخاب شد. مقادیر _آموزشR²  ,_آزمون R²  این مدل به ترتیب 0/93 و 0/94 بود. میانگین خطای مطلق (MAE)برای مجموعه داده‌های آموزشی و آزمون به ترتیب 3/75 و 2/97 به دست آمد. یک مدل گروهی نیز از طریق یک راهکار ساده میانگین‌گیری و با استفاده از مدل‌هایی که توسط بهترین توصیف‌ کننده ها ایجاد شده بودند، به دست آمد. این امر موجب بهبود کیفیت آماری مدل نهایی QSPR شد.

چکیده انگلیسی:

Due to the importance of binary mixtures and their wide application in industry, it is important to estimate their flammability temperature. Therefore, in this study, quantitative structure-property relationship(QSPR) models were developed to predict the flammability point of binary organic mixtures. The biggest challenge in QSPR studies of mixtures is the calculation of a numerical descriptor to describe the property of a mixture. In this study, a set of twenty-two formulas was used to calculate mixture descriptors from molecular descriptors of pure compounds. Memorized Ant Colony(Memorized-ACO) Algorithm along with multivariate linear regression(MLR) was used to select the best subset of descriptors that have a significant contribution to the flammability property. The model based on sqr−fmol−sum descriptor was selected as the best model. R² _training and R²_test of this model were 0.93 and 0.94, respectively. The mean absolute error(MAE) for the training and test datasets was 3.75 and 2.97, respectively. A group model was also obtained through a simple averaging strategy using the models generated by the best descriptors. This improved the statistical quality of the final QSPR model.

منابع و مأخذ:

1. L. O. Chemicals. Globally harmonized system of classification and labelling of chemicals (GHS); 10th revised ed (United Nations, 2023).
2. D. A. Crowl, J. F. Louvar. Chemical process safety: fundamentals with applications; 4th ed (Pearson Education, 2019).
3. J. A. Dean, N. A. Lange. Lange's handbook of chemistry; 5th ed (McGraw-Hill, 1999).
4. H. J. Liaw, S. C. Lin. J. Hazard. Mater. 140, 155 (2007).
5. H. J. Liaw, T. P. Lee, J. S. Tsai, W. H. Hsiao, M. H. Chen, T. T. Hsu. J. Loss Prev. Process Ind. 16, 173 (2003).
6. L. Catoire, S. Paulmier, V. Naudet. Process Saf. Prog. 25, 33 (2006).
7. E. Torabian, M. A. Sobati. Thermochim. Acta 672, 162 (2019).
8. Y. Pan, J. Cheng, X. Song, G. Li, L. Ding, J. Jiang. J. Loss Prev. Process Ind. 34, 56 (2015).
9. H. J. Liaw, T. P. Tsai. Fluid Phase Equilib. 345, 45 (2013).
10. H. J. Liaw, H. Y. Chen. Industrial & Engineering Chemistry Research 52, 7579 (2013).
11. H. J. Liaw, C. L. Tang, J. S. Lai. Comb. Flame. 138, 308 (2004).
12. B. Nazari, M. H. Keshavarz, A. Hassanzadeh. Process Saf. Environ. Prot. 132, 134 (2019).
13. F. A. Carroll, C. Y. Lin, F. H. Quina. Industrial & Engineering Chemistry Research 50, 4796 (2011).
14. X. Liu, Z. Liu. Journal of Chemical & Engineering Data 55, 2943 (2010).
15. G. Fayet, P. Rotureau, V. Prana, C. Adamo. In 14. International Symposium on Loss Prevention and Safety Promotion in the Process Industry, 31, 925 (2013).
16. L. Jiao, X. Zhang, Y. Qin, X. Wang, H. Li. Chemometr. Intell. Lab. Syst. 156, 211 (2016).
17. H. J. Liaw, Y. Y. Chiu. J. Hazard. Mater. 101, 83 (2003).
18. Z. Faramarzi, F. Abbasitabar, V. Zare-Shahabadi, H. J. Jahromi. J. Mol. Liq. 296, 111854 (2019).
19. W. A. Affens, G. W. McLaren. J. Chem. Eng. Data 17, 482 (1972).
20. T. Gaudin, P. Rotureau, G. Fayet. Fire Saf. J. 74, 61 (2015).
21. M. Vidal, W. Rogers, M. Mannan. Process Saf. Environ. Prot. 84, 1 (2006).
22. T. Gaudin, P. Rotureau, G. Fayet. Industrial & Engineering Chemistry Research 54, 6596 (2015).
23. D. Wu, R. Finkelman. In Abstracts of Papers of the American Chemical Society, 175, 12 (1978).
24. H. J. Liaw, W. H. Lu, V. Gerbaud, C. C. Chen. J. Hazard. Mater. 153, 1165 (2008).
25. H. J. Liaw, V. Gerbaud, Y. H. Li. Fluid Phase Equilib. 300, 70 (2011).
26. H. J. Liaw, V. Gerbaud, H. T. Wu. J. Chem. Eng. Data 55, 3451 (2010).
27. H. J. Liaw, V. Gerbaud, C. Y. Chiu. J. Chem. Eng. Data 55, 134 (2010).
28. M. Mitu, E. Brandes, D. Pawel. Rev. Chim. 57, 770 (2006).
29. M. Noorollahy, A. Z. Moghadam, A. A. Ghasrodashti. Chem. Eng. Res. Des. 88, 81 (2010).
30. D.-M. Ha, S. Lee. Korean J. Chem. Eng. 28, 1161 (2011).
31. A. Z. Moghaddam, A. Rafiei, T. Khalili. Fluid Phase Equilib. 316, 117 (2012).
32. A. Donaldson, S. Al-Sharafi. Eng. J. Qatar Univ. 7, 27 (1994).
33. M. Hristova. Cent. Eur. J. Chem. 11, 57 (2013).
34. M. Hristova, D. Damgaliev. Cent. Eur. J. Chem. 11, 388 (2013).
35. Ultra, ChemDraw; Cambridge soft corporation, Cambridge, USA: 2001. 36. Koala-Software for kohonen artificial neural networks; Milano chemometrics and QSAR research group: 2007.
37. E. N. Muratov, E. V. Varlamova, A. G. Artemenko, P. G. Polishchuk, V. E. Kuz'min. Mol. Inform. 31, 202 (2012).
38. T. Gaudin, P. Rotureau, G. Fayet. Ind. Eng. Chem. Res. 54, 6596 (2015).
39. S. Khorsand Ahmadi, M. Mahmoodian Moghadam, P. Mokaberi, M. Reza Saberi, J. Chamani. J. Biomol. Struct. Dyn. 33, 1880 (2015).
40. M. Shamsipur, V. Zare-Shahabadi, B. Hemmateenejad, M. Akhond. Anal. Chim. Acta 646, 39 (2009).
41. F. Abbasitabar, V. Zare-Shahabadi. SAR QSAR Environ. Res. 23, 1 (2012).
42. V. Zare‐shahabadi, F. Abbasitabar. J. Comput. Chem. 31, 2354 (2010).
43. M. Jalali-Heravi, H. Ebrahimi-Najafabadi, A. Khodabandehloo. QSAR Comb. Sci. 28, 1432 (2009).
44. F. Abbasitabar, V. Zare-Shahabadi. Chemosphere 172, 249 (2017).
45. V. Zare-Shahabadi. Med. Chem. Res. 25, 2787 (2016).
46. D. Baumann, K. Baumann. J. Cheminform. 6, 47 (2014).
47. D. Massart, B. Vandeginste, L. Buydens, S. de Jong. Handb. Chemom. Qualimetr., 379 (1997).
48. K. Roy, S. Kar, P. J. C. Ambure, I. L. Systems. 145, 22 (2015).
49. V. Zare-Shahabadi, F. Abbasitabar, M. Akhond, M. Shamsipour. J. Braz. Chem. Soc. 24, 1561 (2013).
39. S. Khorsand Ahmadi, M. Mahmoodian Moghadam, P. Mokaberi, M. Reza Saberi, J. Chamani. J. Biomol. Struct. Dyn. 33, 1880 (2015).
40. M. Shamsipur, V. Zare-Shahabadi, B. Hemmateenejad, M. Akhond. Anal. Chim. Acta 646, 39 (2009).
41. F. Abbasitabar, V. Zare-Shahabadi. SAR QSAR Environ. Res. 23, 1 (2012).
42. V. Zare‐shahabadi, F. Abbasitabar. J. Comput. Chem. 31, 2354 (2010).
43. M. Jalali-Heravi, H. Ebrahimi-Najafabadi, A. Khodabandehloo. QSAR Comb. Sci. 28, 1432 (2009).
44. F. Abbasitabar, V. Zare-Shahabadi. Chemosphere 172, 249 (2017).
45. V. Zare-Shahabadi. Med. Chem. Res. 25, 2787 (2016).
46. D. Baumann, K. Baumann. J. Cheminform. 6, 47 (2014).
47. D. Massart, B. Vandeginste, L. Buydens, S. de Jong. Handb. Chemom. Qualimetr., 379 (1997).
48. K. Roy, S. Kar, P. J. C. Ambure, I. L. Systems. 145, 22 (2015).
49. V. Zare-Shahabadi, F. Abbasitabar, M. Akhond, M. Shamsipour. J. Braz. Chem. Soc. 24, 1561 (2013).