Развитие методов предсказания транспортных параметров полимерных материалов с помощью базы данных

• Автор: Рыжих, Виктория Евгеньевна
• Шифр специальности: 05.17.18
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Москва
• Количество страниц: 104 с. : ил.

Содержание
ВВЕДЕНИЕ

1 ЛИТЕРАТУРНЫЙ ОБЗОР

1.1 Общие понятия и определения мембранного газоразделения

1.2 Принципы метода групповых вкладов для предсказания физикохимических свойств веществ

1.2.1 Предсказания физико-химических параметров низкомолекулярных веществ

1.2.2 Предсказания физико-химических параметров полимеров

1.2.3 Предсказания транспортных параметров мембранных материалов методом групповых вкладов

1.3 Другие методы предсказания транспортных параметров

1.4 Определение свободного объема полимеров методом аннигиляции позитронов

2 МЕТОДИЧЕСКАЯ ЧАСТЬ

2.1 База данных «Газоразделительные параметры стеклообразных полимеров»
2.2 Методы предсказаний
3 РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ
3.1 Новые предсказания на основе метода модифицированных атомных вкладов
3.2 Новые предсказания на основе метода разбиения на связи
3.3 Сопоставление методов предсказаний

3.4 Предсказания коэффициента проницаемости сополимеров
3.5 Предсказания транспортных параметров новых полиимидов
3.6 Корреляции транспортных и сорбционных параметров и свободного объема полимеров
ВЫВОДЫ
ЛИТЕРАТУРА

ВВЕДЕНИЕ
Актуальность темы.
Мембранное газоразделение является одним из быстро развивающихся направлений мембранной науки и мембранной технологии. Так, в 2012 году объем продаж мембранных газоразделительных установок составил 500 млн долларов и в полтора раза опередил сделанные ранее прогнозы, т.е. эта область мембранной технологии развивается опережающими темпами. Между тем, подавляющее большинство существующих процессов мембранного газоразделения основано на использовании мембранных материалов, созданных десятилетия назад. С другой стороны, благодаря активности синтетической полимерной химии каждый год появляются все новые полимеры, отличающиеся улучшенными транспортными параметрами. Скрининг и анализ имеющихся данных по связи структуры и свойств полимерных материалов крайне важен для направленного поиска подобных материалов и создания на их основе новых газоразделительных мембран. С этой целью в конце 90-х годов в ИНХС в лаборатории мембранного газоразделения была создана База данных по газоразделительным свойствам стеклообразных полимеров (Информрегистр РФ, № 3585, 1998 год), которая, однако, нуждается в периодическом обновлении и расширении содержащейся в ней информации.
Цель работы.
- На основе расширенной Базы данных разработать методы предсказания коэффициентов проницаемости (Р) диффузии (Б) полимеров по разным газам и установить количественные связи между химическим строением полимера и его газотранспортными параметрами;
- на основе большого массива данных установить связь между размером элемента свободного объема стеклообразных полимеров по

Кросс-вал идац ия.
Когда требуется проверить, насколько модель для предсказаний способна работать на практике, часто применяется метод кросс-валидации [61]. Этот метод особенно полезен тогда, когда получение новых данных для проверки предсказательной способности затруднительно. Это справедливо в нашем случае, так как, как уже было показано на рисунке 1 раздела 1.2.3, за последнее десятилетие сократилось количество публикаций, посвященных новым полимерам.
Суть метода кросс-валидации заключается в том, что набор данных разбивается на два массива: обучающий (тренировочный) и оценочный. Тренировочный массив используется для построения модели. По оценочному массиву проводится валидация: определяется R2 и стандартная ошибка модели.
Есть несколько разновидностей метода [62]:
• кросс-валидация последовательным случайным сэмплированием: деление на расчетный и оценочный массивы происходит произвольно;
• кросс-валидация по k-блокам: весь набор данных делится на к равных блоков, из которых один является оценочным, а остальные используются для расчета, процедура повторяется к раз;
• поэлементная кросс-валидация: в качестве оценочного используется по одному каждое из значений) и другие.
В нашей работе мы применяли вариацию валидации по к-блокам. Набор разбивается на к блоков, но процедура расчета проводится не 1с раз, а п »к (заданное число) раз, что увеличивает количество разбиений. Процесс проводился автоматизировано (программа RIADA). В нашем случае k= 10, n=80-100, так как эти значения (к, п) являются одними из наиболее “типичных” в литературе [63,64]. Программа усредняет значения R2 и стандартную ошибку, полученные для каждого из k*n расчетов, таким образом, оценка модели получается наиболее достоверной.