一种基于机器学习的转子相预测方法

本发明涉及理论计算领域，具体涉及一种基于机器学习的转子相预测方法。背景技术：1、转子相是一系列特殊凝聚相，其有序性和分子运动能力均介于完全有序晶相和各向同性液相之间。虽然转子相与晶相具有相似的层状结构，结晶堆积且链轴垂直于层方向也与晶相相同，但与晶相相比，转子相具有更低的密度和更高的分子运动能力。根据研究，可以通过垂直于长轴的单分子面积区分晶相和转子相，转子相的单分子层面积约为晶相的单分子层面积约为2、目前，关于转子相的相关研究大多集中在光聚合领域。最近的研究证明转子相光聚合具有液态光聚合所不具有的固化收缩率低，水汽不敏感等优势，极大地扩展了固态光聚合的应用。然而，相关报道数量较少，已经报道的含有转子相的体系包括长链正烷烃、长链半氟正烷烃、长链正醇、长链正硫醇、长链丙烯酸酯、长链乙烯基醚和长烷酸乙烯酯等。3、关于化合物是否存在转子相，传统的研究方法是：首先对目标化合物进行差示扫描量热法(dsc)，通过dsc曲线初步判断相变过程中是否出现转子相；再进一步对目标化合物在不同温度下进行x射线衍射(xrd)，根据xrd图像对化合物垂直于长轴的单分子面积进行计算以确定。4、这样的研究方法不仅步骤繁琐、效率低下，还具有一定的不确定性，无法快速确定指定化合物中转子相的存在与否。近年来，机器学习受到了广泛的关注。在指导化学合成、辅助表征、获取新材料设计方法等方面展现出了巨大潜力。作为一种新兴的研究手段，机器学习技术为材料科学领域带来了重大机遇。5、基于此，本专利通过建立一种基于机器学习的转子相预测方法，实现了可以绕开繁琐的实验步骤直接判断指定化合物是否具有转子相，对判断未知化合物是否具有转子相提供了一种更方便、快捷的方法。技术实现思路1、为了解决上述背景技术所存在的问题，本发明的目的是建立一种基于机器学习的转子相预测方法。2、为实现上述目的，本发明采用的技术方案包括如下步骤：3、(1)给出具体的化合物名称、结构以及已经获得的特征，对其进行特征的筛选；4、(2)将筛选完毕的特征输入机器学习预测模型中对模型进行训练；5、(3)得到可以对转子相进行精准预测的模型，输出预测结果：未知化合物是否存在转子相；6、进一步地，所述机器学习预测模型通过如下方式构建：7、建立数据库：所述数据库包括具有转子相的样本和不具有转子相的样本，其中，具有转子相的样本作为正类样本，不具有转子相的样本作为反类样本；8、给出化合物的特征，并通过线性回归以及交叉验证对特征进行筛选，去除冗余的特征，以保留有效的特征作为数据集；9、将筛选完毕的特征输入机器学习预测模型中对模型进行训练；10、利用训练得到的模型参数，对未知凝聚相行为的化合物进行转子相预测，得到预测结果，即化合物是否存在转子相；11、进一步地，所述特征包括：分子链长、熔点、沸点、密度、分子体积、分子表面积、极性表面积、分子极性、端基极性、旋光度、荷电数、分子表面静电势极大与极小值、端基二面角、可旋转二面角、可旋转键数、空间弯曲度、氢键数目、及官能团的影响(是否存在卤基、羟基、羧基、醛基、酯基、碳碳双键、碳碳三键、醚键、氨基、硝基、磺酸基或官能团的数量)等中的5-8种。12、本发明与现有技术相比，其有益效果在于：13、本申请通过用机器学习预测模型可以实现对未知化合物是否存在转子相进行预测，结合多种机器学习算法和尽可能多的特征，以期给出准确的预测结果。技术特征：1.一种基于机器学习的转子相预测方法，其特征在于，方法包括如下步骤：2.根据权利要求1所述的基于机器学习的转子相预测方法，其特征在于，模型选取的特征为分子链长、熔点、沸点、密度、分子体积、分子表面积、极性表面积、分子极性、端基极性、旋光度、荷电数、分子表面静电势极大与极小值、端基二面角、可旋转二面角、可旋转键数、空间弯曲度、氢键数目、及官能团的影响(是否存在卤基、羟基、羧基、醛基、酯基、碳碳双键、碳碳三键、醚键、氨基、硝基、磺酸基或官能团的数量)等中的5-8种。3.根据权利要求1所述的一种基于机器学习的转子相预测方法，其特征在于，所述机器学习预测模型为逻辑回归、随机森林和人工神经网络算法中的1种或2-3种方法的组合。技术总结本发明属于理论计算领域，公开了一种基于机器学习的转子相预测方法。方法包括：给出具体的化合物名称、结构以及已经获得的特征，对其进行特征的筛选；将筛选完毕的特征输入机器学习预测模型中对模型进行训练；得到可以对转子相进行精准预测的模型，输出预测结果：未知化合物是否存在转子相。转子相是一种介于完全有序晶相和各向同性液相之间的特殊凝聚相，与晶相相比往往具有更低的密度和更高的分子运动能力。本申请通过机器学习预测模型可以实现对未知化合物是否存在转子相进行预测，结合多种机器学习算法和尽可能多的特征，以期给出准确的预测结果，为转子相的研究及应用提供一定的参考价值。技术研发人员：何勇,高俊婷,姚淼,段睿文,彭路遥,张子玉受保护的技术使用者：北京化工大学技术研发日：技术公布日：2024/8/16