混合神经网络下二元混合液体自燃温度研究.pdf
《混合神经网络下二元混合液体自燃温度研究.pdf》由会员分享,可在线阅读,更多相关《混合神经网络下二元混合液体自燃温度研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、2024 年 第 45 卷 第 1 期(总第 213 期)Vol.45 No.1 2024(Sum No.213)中 北 大 学 学 报(自然科学版)JOURNAL OF NORTH UNIVERSITY OF CHINA(NATURAL SCIENCE EDITION)混合神经网络下二元混合液体自燃温度研究程泽会1,杨剑1,郭丙宇2,张泽宇1(1.中北大学 软件学院,山西 太原 030051;2.中北大学 环境与安全工程学院,山西 太原 030051)摘 要:为解决传统实验方法测量二元混合液体自燃温度所面临的时间和安全问题,本文提出了一种运用神经网络优化定量结构-性质关系(QSPR)预测模型
2、的方法。首先,分别使用BP神经网络(BPNN)和一维卷积神经网络(1DCNN)处理混合分子描述符数据。然后,采用卷积神经网络(CNN)处理分子结构图数据,以此建立BPNN+CNN和1DCNN+CNN两种预测模型。通过交叉验证、残差分析和应用域分析等多种方法对两种模型的预测能力、拟合能力和稳定性进行了验证。最后,讨论了4种优化器和不同维度的分子结构图对模型性能的影响。通过实验可知,两种模型的决定系数分别为0.989 8和0.987 1;10折交叉验证复相关系数分别为0.961 1和0.963 3;交互验证系数分别为0.982 6和0.992 5。结果表明,两种模型均可对大多数二元混合液体自燃温度
3、进行预测,其中,BPNN+CNN模型有较好的拟合能力,1DCNN+CNN模型有较好的稳定性。关键词:二元混合液体;自燃温度;神经网络;QSPR;分子描述符中图分类号:X932;X937;TP183 文献标识码:A doi:10.3969/j.issn.1673-3193.2024.01.012引用格式:程泽会,杨剑,郭丙宇,等.混合神经网络下二元混合液体自燃温度研究 J.中北大学学报(自然科学版),2024,45(1):90-97.CHENG Zehui,YANG Jian,GUO Bingyu,et al.Study on AutoIgnition Temperature of Binary
4、 Mixed Liquid Under Mixed Neural Network J.Journal of North University of China(Natural Science Edition),2024,45(1):90-97.Study on AutoIgnition Temperature of Binary Mixed Liquid Under Mixed Neural NetworkCHENG Zehui1,YANG Jian1,GUO Bingyu2,ZHANG Zeyu1(1.School of Software,North University of China,
5、Taiyuan 030051,China;2.School of Environment and Safety Engineering,North University of China,Taiyuan 030051,China)Abstract:To solve the time and safety problems faced by the traditional experimental methods for measuring the auto-ignition temperature of binary mixed liquids,a method optimizing the
6、quantitative structure-property relationship(QSPR)prediction model by using neural networks is proposed.BP neural network(BPNN)and the one-dimensional convolutional neural network(1DCNN)are used to process the mixed molecular descriptor data,respectively.Then,the molecular structure map data is proc
7、essed using the convolutional neural network(CNN),and in this way,two prediction models,BPNN+CNN and IDCNN+CNN,are established.After that,the prediction ability,fitting ability and stability of the experimentally designed BPNN+CNN and 1DCNN+CNN models are verified through cross-validation,residual a
8、nalysis and application domain analysis.Finally,the effects of different optimizers on the model 文章编号:1673-3193(2024)01-0090-08收稿日期:2023-07-22作者简介:程泽会(1996-),女,硕士生,主要从事数据挖掘、机器学习等方面的研究。通信作者:杨剑(1979-),男,博士,硕士生导师,主要从事计算机视觉、人工智能、嵌入式系统等研究。Email:。(总第 213 期)混合神经网络下二元混合液体自燃温度研究(程泽会等)performance are discusse
9、d.And the results of two-dimensional and three-dimensional molecular structure diagrams on the model performance are analyzed.The experimental results show that the coefficients of determination of the two models are 0.989 8 and 0.987 1,respectively.The 10-fold cross-validated complex correlation co
10、efficients are 0.961 1 and 0.963 3,respectively.And the cross-validated coefficients are 0.982 6 and 0.992 5,respectively.The results indicate that both models can predict the self-ignition temperature of most binary mixed liquids.The BPNN+CNN model has better fitting ability,and the 1DCNN+CNN model
11、 has better stability.Key words:binary mixed liquids;auto-ignition temperature;neural networks;QSPR;molecular descriptor0引 言易燃可燃液体的燃烧爆炸事故屡见不鲜,如煤矿作业中的火灾和爆炸事故,货物生产、储存和运输过程中的燃烧事故和工业事故等12。为了预防和减少火灾、爆炸等事故的发生,并及时做出应对,了解易燃可燃液体的危险特性就变得尤为 重 要。自 燃 温 度(Auto-Ignition temperature,AIT)3-4是对可燃物质进行定量风险评估的一个重要表征参数。准
12、确了解各种物质的自燃温度值,可以有效防止火灾和爆炸的发生2,5。现阶段人们对自燃温度的研究仅限于纯化学物质,对混合液体的研究相对滞后67。Suzuki8和Tsai等9将纯物质的自燃温度与分子描述符进行关联构建模型,为研究混合液体的自燃温度提供了新思路。杨守生等10通过自燃点测试仪对一些二元可燃混合液的自燃温度进行了测量。然而,采用实验方法测量自燃温度费时费力,实验结果受到多种外界因素的干扰,故其在适用范围上存在着较大的限制6。随着人工智能技术的不断发展,深度学习成为研究热点11。深度学习被广泛应用于预测、图像处理等多个领域12。将深度学习应用于定量结构-性质关系(Quantitative st
13、ructure-property relationship,QSPR)的建模研究中13,可以替代人工统计学分析提高计算效率。陈锡进等14采用神经网络建模实现对烷烃自燃温度的预测。Safa等15使用人工神经网络优化QSPR预测模型,模型预测结果高于相同条件下多元线性回归(Multivariable linear regression,MLR)模型。何凡等7使用 BP 神经网络(Back propagation neural network,BPNN)模型预测二元混合液体自燃温度,性能高于已有的多元非线性回归(Multivariable non-linear regression,MNR)模型。对
14、深度学习技术在二元混合液体自燃温度预测的研究中,大多只考虑分子描述符信息,采用BP神经网络对其进行建模。本文在此基础上扩充部分数据集,将分子结构图与分子描述符相结合,构建了一种混合数据输入的神经网络预测模型。分别使用BP神经网络和一维卷积神经网络(One-dimensional convolutional neural network,1DCNN)对数字数据(分子描述符)进行处理,使用卷积神经网络(Convolutional neural networks,CNN)对图像数据(分子结构图)进行处理。基于QSPR理论,本文分别从预测结果、模型验证、应用域分析和机理解释4个方面对预测模型进行探讨分
15、析,期望为工程上提供一种高效可靠的方法,以更好地预防二元混合液体所引发的火灾和爆炸事故。1数据准备实验中使用的混合液体自燃温度数据一部分来自文献收集1617,另一部分由山西省防火防爆安全工程技术研究中心实验所得2。以常见的7类(烷类、醇类、醚类、酸类、苯类、酮类和酯类)共 23种可燃有机物(正戊烷、正已烷、正庚烷、正辛烷、甲醇、乙醇、正丙醇、正丁醇、正戊醇、异丙醇、仲丁醇、乙二醇单甲醚、乙二醇单乙醚、乙二醇单丁醚、二乙二醇单甲醚、二乙二醇单丁醚、乙酸、丙酸、甲苯、丙酮、乙酸甲酯、乙酸乙酯和乙酸丁酯)为实验对象,测得48组二元混合液体在不同配比下的自燃温度值,共285个。自燃温度数据分别由AIT
16、 TA551自燃温度测试仪和HY 5332可燃液体、气体自燃温度测试仪依据ASTM E659783测试方法测定。1.1分子描述符的计算和筛选原子类型电拓扑状态指数(Electrotopological state indices for atom type,ETSI)是 QSPR 建模912024 年第 1 期中 北 大 学 学 报(自然科学版)中最常用的描述符之一18。利用分子描述符计算软件Mordred19,分别计算出二元混合液体各组分(23种可燃有机物)的1 826种分子描述符。为确保模型可以拟合20,结合本实验所使用的有机物,从1 826种分子描述符中筛选出9种分子描述符,具体情况见表
17、 1。1.2混合分子描述符对于二元混合液体的研究,需要一种混合分子描述符。然而,在现有的QSPR理论中,缺少一种能准确刻画混合分子描述符的体系。一些学者提出,对二元混合体系中两个组分的ETSI加权求和7,19,21,可得混合分子描述符,公式为(Si)mix=x1Si1+x2Si2,(1)式中:(Si)mix为二元混合物的加权ETSI;Si1和Si2为二元混合物中两个组分的ETSI;x1和x2为两个组分的体积分数,且x1+x2=1。本文所提及的分子描述符均为二元混合液体的混合分子描述符。1.3数据集数据集可分为数字数据和图像数据。数字数据是指根据式(1)计算得到的285组混合分子描述符及其对应的
18、自燃温度值。图像数据是指二元混合液体两个组分的三维分子结构图的拼接,共285张,与数字数据一一对应。为确保模型的有效性,实验中训练集和测试集的划分比例为8 2。2模型构建实验环境为 Windows 10 系统。编译环境为PyCharm 2021,Python 3.7,TensorFlow 2.3.0,Keras 2.4.3。2.1模型框架首先,定义网络的两个分支分别处理数字数据(经过计算得到的285组混合分子描述符数据)和图像数据。然后,合并两个分支。最后,通过激活线性激活函数(Linear activation)的全连接层(Fully-connected layer)得到混合液体自燃温度预测
19、值。实验中分别使用BPNN和1DCNN对数字数据进行处理,图像数据由卷积神经网络进行处理。其中,BPNN和1DCNN的输入是9种分子描述符(见表 1),输出是长度为 128 的一维向量。CNN的输出是长度为4的一维向量,实验中不必在数字数据处理分支和图像数据处理分支中分别做回归任务,将两个分支合并后做回归预测即可。2.2数字数据处理分支1)BPNN模型框架BPNN网络结构见图 1(a),由输入层(Input layer层)、2个隐含层(Hidden layer层)和输出层(Output layer层)组成,激活函数为ReLU。隐含层的神经原个数分别为128和256。2)1DCNN模型框架1DC
20、NN 网络结构见图 1(b),由 2个卷积层(Conv1D层)、1个展平层(Flatten层)和1个全连接层(Dense层)组成,激活函数为ReLU,两个卷积核的filters个数分别为32和64。2.3图像数据处理分支实验中将二元混合液体两个组分的三维分子结构图进行预处理使其大小相同,然后,进行拼接,经过处理后每次输入的图片数据为(64643)。CNN网络结构见图 1(c),包括3个卷积层(Conv2D层)、3个最大池化层(Max Pooling层)、1个展平层(Flatten层)和2个全连接层(Dense层,神经元个数为16和4),激活函数为ReLU。2.4合并输出如图 1(d)所示,实验
21、中将数字数据处理分支的输出向量和图像数据处理分支的输出向量进行合并操作得到长度为132的一维向量,经过两个全连接层(Dense层,神经元个数为 4和 8,激活函数为ReLU)。最后,通过一个线性激活函数的全连接层,得到混合液体自燃温度的预测值。表 19种原子类型ETSI符号Tab.1ETSI symbols for 9 atomic types序号123456789原子类型O=OHOCH3C=CH2CHaCHaasCaETSI符号SdOSsOHSssOSsCH3SdssCSssCH2SsssCHSaaCHSaasC固有状态值7.0006.0003.5002.0001.6671.5001.333
22、2.0001.667注:s-单键;d-双键;a-芳香键。92(总第 213 期)混合神经网络下二元混合液体自燃温度研究(程泽会等)3实验结果讨论3.1模型预测结果及分析实验中使用决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)评估模型拟合能力、稳定性和精确度。实验中两种模型在测试集上的表现见表 2。可知两种模型的R2大于0.98,MAE在30 的范围之内,满足 ASTM E65978 的测试标准,表明两个模型有较好的稳定性,且是被承认的3。为了进一步验证本实验两种模型的优越性,将其同文献中的 BPNN7,MNR16和 MLR22模型进行比较,结果
23、见表 2。综合R2,RMSE,MAE,MAPE对比结果,发现实验中两种模型的性能优于文献中的模型。在测试集上,两种模型自燃温度的预测值与真实值对比结果见图 2。真实值用空心圆表示,预测值用实心圆表示,重合度越高,表明预测值越接近于真实值。从图中发现两个模型的真实值和预测值具有很高的重合度,尽管有小部分没有重合,但是偏差不大,表明两个模型的预测效果良好。(a)BPNN模型框架(c)CNN模型框架(b)1DCNN模型框架(d)合并输出图 1模型框架汇总图Fig.1Summary diagram of model framework表 2模型主要性能对比Tab.2Comparison of mode
24、l key performance数据集训练集测试集评估标准R2RMSE/MAE/MAPE/%R2RMSE/MAE/MAPE/%模型BPNN+CNN0.989 16.651 13.891 51.019 60.989 88.927 36.612 71.784 61DCNN+CNN0.989 06.697 95.170 81.312 10.987 110.061 57.499 41.963 3BPNN70.96516.53411.8921.823.49315.5302.4MNR160.87920.1045.225.904 57.25MLR220.95815.33312.3951.90.94215.
25、74012.5311.8932024 年第 1 期中 北 大 学 学 报(自然科学版)3.2模型内部验证模型内部稳健性可通过内部验证、残差分析和Y随机验证判断23。实验将采用K折交叉验证法进行内部验证,同时利用残差分析进行校验。1)K 折交叉验证(K-fold cross-validation),常用的评估指标为交叉验证复相关系数(Q2K-FCV)和均方误差(MSEK-FCV)。Q2K-FCV0.9,表示模型的性能非常好。若 R2与Q2K-FCV的结果相差大于0.3,则表示模型有过拟合的可能24。两个模型的交叉验证结果见表 3。他们的5折和 10折交叉验证复相关系数均大于 0.9,交叉验证复相
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 混合 神经网络 二元 液体 自燃 温度 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。