使用机器学习算法预测不同类别的表面活性剂的临界微粒度的QSPR

科学领域:

• 物理化学 物理化学
• 计算化学的计算化学
• 材料科学 材料科学 材料科学

背景情况:

• 临界微粒度 (CMC) 对于理解各种应用中的表面活性剂行为至关重要.
• 从分子结构预测CMC对于设计新型表面活性剂至关重要.
• 定量结构与属性关系 (QSPR) 为此类预测提供了一种强大的方法.

研究的目的:

• 开发准确的QSPR模型,用于预测临界细胞度 (pCMC) 的负对数值.
• 建立各种表面活性剂类别的分子结构及其pCMC之间的相关性.
• 确定影响表面活性剂性质的关键分子描述因素.

主要方法:

• 编制了593种表面活性剂 (离子,离子,非离子,离子,双子) 的数据集.
• 作为输入特征,使用了14个显著的Mordred描述符和温度.
• 用多个机器学习算法 (MLR,RFR,ANN,SVM) 来构建QSPR模型.
• 使用Dragonfly超参数优化 (SVR-DA) 的支持向量回归.

主要成果:

• 在预测pCMC值方面,SVR-DA模型表现出卓越的性能.
• 实现了高的统计系数:R2 = 0.9740,Q2 = 0.9739,r ̅m2 = 0.9627,Δr ̅m2 = 0.0244.2 这就是为什么.
• 该研究确定了影响表面活性剂pCMC的关键描述因素,提供了对结构属性关系的见解.

结论:

• QSPR方法,特别是SVR-DA,对于预测表面活性物质pCMC是有效的.
• 开发的模型可以帮助合理设计和选择用于特定工业应用的表面活性剂.
• 了解分子结构和pCMC之间的关系对于表面活性剂科学和技术至关重要.