一个基于数据的QSPR模型,用于选碳钢的有机腐蚀抑制剂,使用机器学习技术
Thanh Hai Pham1,2,3, Phung K Le1,2, Do Ngoc Son1,2
1Ho Chi Minh City University of Technology (HCMUT) 268 Ly Thuong Kiet Street, District 10 Ho Chi Minh City Vietnam pthai.sdh21@hcmut.edu.vn dnson@hcmut.edu.vn.
RSC advances
|April 9, 2024
概括
机器学习有效地预测使用梯度增强模型的腐蚀抑制剂效率. 这种方法加速了对碳钢的新型高性能腐蚀抑制剂的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 电化学 电化学 电化学
背景情况:
- 腐蚀在各个行业构成了重大的经济和安全挑战.
- 开发有效的腐蚀抑制剂对于材料保护至关重要.
- 选腐蚀抑制剂的传统方法往往耗时且昂贵.
研究的目的:
- 开发一个强大的定量结构-属性关系 (QSPR) 模型来预测腐蚀抑制效率 (IE).
- 为了利用机器学习 (ML),特别是渐变增强 (GB) 与换特征重要性 (PFI),以提高预测准确性.
- 为了加速发现碳钢新型有机腐蚀抑制剂.
主要方法:
- 使用梯度增强决策树 (GB) 算法开发一个QSPR模型.
- 应用换特征重要性 (PFI) 技术来识别影响IE的关键分子描述因素.
- 在碳钢有机腐蚀抑制剂的各种数据集上对ML模型的培训和验证.
主要成果:
- PFI有效地确定了IE预测的关键分子描述符.
- GB-PFI模型实现了高预测精度,RMSE为6.40%,MAE为4.80%,R2为0.72.
- 该模型在与实验数据 (包括基于药物的抑制剂) 相比验证时,表现出强大的预测能力.
- 在对1500多种药物化合物的查中,发现了5种具有高预测IE的新型候选药物.
结论:
- 集成的ML工作流程 (GB与PFI) 显著提高了对腐蚀抑制效率的预测.
- 这种数据驱动的方法加快了有希望的下一代腐蚀抑制剂的识别.
- 开发的模型为计算选和发现碳钢有效的腐蚀抑制剂提供了有价值的工具.
