System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于聚合物合成,具体涉及一种高效测定共聚反应单体竞聚率的神经网络辅助方法。
技术介绍
1、共聚反应能够在同种聚合物上引入不同单体的性能特点,在聚合物材料研发过程中有重要作用。通过改变共聚物的组成和序列结构,得到的共聚物可以在保持化学成分相同的情况下具有各异的性能。竞聚率指单体自增长的速率常数与交叉增长的速率常数的比值,可以由此计算出不同单体组成下共聚物的瞬时组成,以用于调控共聚物的组成和序列结构。因此,开发高效准确的竞聚率测量方法尤为重要。
2、竞聚率的传统测定方法有两种形式,分别是基于共聚物组成微分方程和积分方程的方法。前一种方法最早由mayo-lewis提出(j.am.chem.soc.,1944,66,1594),后经过fineman-ross和改良(j.polym.sci.,1950,5,259;j.polym.sci.,polym.chem.ed.,1975,13,2277),其方法主要是在保持共聚单体转化率低于10%的基础上,测定不同投料比下单体的转化率情况,进行曲线拟合得到竞聚率数值。但该方法存在测量难度与准确性上的问题,包括:1)单体转化率在10%以内时分析误差较大;2)低转化率下得到的共聚物产率低,提纯时会造成较大损失,为分析共聚物组成带来影响;3)当共聚单体的竞聚率相差较大时(例如,其中一个远大于1而另一个远小于1),保持所有单体在低转化率范围较为困难。对此,meyer和lowry在1965年提出了基于共聚物组成积分方程的方法(j.polym.sci.,parta:gen.pap.,19
3、因此,发展高效、准确的竞聚率测定方法,能够为调控共聚物的组成和序列结构提供精确指导,同时通过快速建立竞聚率库加速共聚物材料的研发进程。
技术实现思路
1、有鉴于此,本专利技术的目的是针对现有技术中存在的问题,提供一种可适用于各类聚合体系的高效测定共聚反应单体竞聚率的神经网络辅助方法,助力于共聚物的组成和序列调控,以及共聚物材料的研发。
2、为了实现上述目的,本专利技术采用如下技术方案:
3、一种高效测定共聚反应单体竞聚率的神经网络辅助方法,包括以下步骤:
4、步骤1:通过monte carlo聚合动力学模拟收集不同竞聚率下单体转化率随投料比和总转化率的变化数据,整合成多维数据矩阵的形式,建立竞聚率与转化率数据矩阵一一对应的数据库;
5、步骤2:通过建立的数据库,构建神经网络模型,用于从共聚反应转化率数据预测竞聚率数值;
6、步骤3:对任意一组或多组共聚单体,进行多组任意投料比下的共聚反应,收集单体转化率数据;
7、步骤4:利用基于算法的数据矩阵补全方法,将少量的转化率数据扩展成完整数据矩阵,输入到构建的算法模型,输出竞聚率。
8、近些年来,机器学习和神经网络辅助的聚合物合成方法被不断报道。借助机器学习和神经网络技术在处理多变量分析问题和探索复杂关系上的优越性,这些方法能够高效分析已有数据,发现直觉之外的潜在规律,并已经实现了包括自动化活性自由基聚合(angew.chem.int.ed.,2019,58,3183)、聚酯自优化制备(macromolecules,2020,53,10847)和聚合逆分析平台(sci.china chem.,202164,1039)等工作。然而,现有的研究工作还局限于对聚合物分子量的优化,与竞聚率测定相关的研究还鲜有报道。本专利技术将神经网络算法引入到竞聚率的测定中,可将共聚反应数据与竞聚率形成对应关系,建立以共聚反应数据为输入端,竞聚率为输出端的关联模型,可以有效作用于竞聚率的高效、准确测定。
9、值得说明的是,本专利技术公开的神经网络辅助测定方案是将每组竞聚率数值所对应的共聚单体消耗情况整合成计算机语言可处理的高维数据矩阵,描述共聚单体转化率随单体投料比和总转化率的变化关系。通过建立聚合转化率数据矩阵与竞聚率之间的神经网络模型,实现由少量实验数据获得可靠的竞聚率测定结果。
10、进一步的,所述步骤1中的monte carlo聚合动力学模拟包括自由基共聚、阴离子共聚、阳离子共聚或开环共聚,共聚单体数量为2~4个,对应称为二元、三元、四元共聚。
11、更进一步的,考虑到不同聚合方法所需设定的参数不同,本专利技术所述monte carlo聚合动力学模拟的参数设定包括:
12、对于自由基共聚,设定固定不变的参数为引发剂分解速率常数kd、初级自由基与单体反应的速率常数ki、链增长速率常数kp、链终止速率常数kt、单体总浓度[m]、引发剂浓度[i];设定变化的参数为竞聚率r,单体投料比;或,
13、对于阴离子共聚,设定固定不变的参数为引发剂引发速率常数ki、链增长速率常数kp、单体总浓度[m]、引发剂浓度[i];设定变化的参数为竞聚率r,单体投料比,其中两种单体之间的竞聚率乘积固定为1,即r1r2=1;或,
14、对于阳离子共聚,设定固定不变的参数为引发剂引发速率常数ki、链增长速率常数kp、链转移速率常数ktr、单体总浓度[m]、引发剂浓度[i];设定变化的参数为竞聚率r,单体投料比,其中两种单体之间的竞聚率乘积固定为1,即r1r2=1;或,
15、对于开环共聚,设定固定不变的参数为引发剂引发速率常数ki、链增长速率常数kp、链终止速率常数kt、单体总浓度[m]、引发剂浓度[i];设定变化的参数为竞聚率r,单体投料比,其中两种单体之间的竞聚率乘积固定为1,即r1r2=1。
16、更进一步的,所述步骤1中的多维数据矩阵的形式包括:
17、对于二元共聚,第一维是投料比,第二维是单体总转化率,第三维是单体种类,矩阵中的数据为单体转化率;或,
18、对于三元共聚,第一维和第二维是其中两种单体的投料比,第三维是单体总转化率,第四维是单体种类,矩阵中的数据为单体转化率;或,
19、对于四元共聚,第一维至第三维是其中三种单体的投料比,第四维是单体总转化率,第五维是单体种类,矩阵中的数据为单体转化率。
20、更进一步的,所述步骤1中的竞聚率设定范围为r=0.01~100;其中,模拟二元共聚时,一组竞聚率包含2个r;模拟三元共聚时,一组竞聚率包含6个r;模拟四元共聚时,一组竞聚率包含12个r。
21、进一步的,步骤1中的投料比设定范围为fn=0~1,fn为任意共聚单体占单体混合物的摩尔分数;步骤1中的总转化率设定范围为0~1本文档来自技高网...
【技术保护点】
1.一种高效测定共聚反应单体竞聚率的神经网络辅助方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述步骤1中的Monte Carlo聚合动力学模拟包括自由基共聚、阴离子共聚、阳离子共聚或开环共聚,共聚单体数量为2~4个,对应称为二元、三元、四元共聚。
3.根据权利要求2所述的方法,其特征在于,所述Monte Carlo聚合动力学模拟的参数设定包括:
4.根据权利要求2所述的方法,其特征在于,所述步骤1中的多维数据矩阵的形式包括:
5.根据权利要求2所述的方法,其特征在于,所述步骤1中的竞聚率设定范围为r=0.01~100;其中,模拟二元共聚时,一组竞聚率包含2个r;模拟三元共聚时,一组竞聚率包含6个r;模拟四元共聚时,一组竞聚率包含12个r。
6.根据权利要求1所述的方法,其特征在于,步骤1中的投料比设定范围为fn=0~1,fn为各共聚单体占单体混合物的摩尔分数;步骤1中的总转化率设定范围为0~1。
7.根据权利要求1所述的方法,其特征在于,所述步骤2中神经网络模型包括:
< ...【技术特征摘要】
1.一种高效测定共聚反应单体竞聚率的神经网络辅助方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述步骤1中的monte carlo聚合动力学模拟包括自由基共聚、阴离子共聚、阳离子共聚或开环共聚,共聚单体数量为2~4个,对应称为二元、三元、四元共聚。
3.根据权利要求2所述的方法,其特征在于,所述monte carlo聚合动力学模拟的参数设定包括:
4.根据权利要求2所述的方法,其特征在于,所述步骤1中的多维数据矩阵的形式包括:
5.根据权利要求2所述的方法,其特征在于,所述步骤1中的竞聚率设定范围为r=0.01~100;其中,模拟二元共聚时,一组竞聚率包含2个r;模拟三元共聚时,一组竞聚率包含6个r;模拟四元共聚时,一组竞聚率包含12个r。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。