CN105678069A - 预测气态含硫化合物在低温水解条件下消除速率常数的方法 - Google Patents
预测气态含硫化合物在低温水解条件下消除速率常数的方法 Download PDFInfo
- Publication number
- CN105678069A CN105678069A CN201610002004.2A CN201610002004A CN105678069A CN 105678069 A CN105678069 A CN 105678069A CN 201610002004 A CN201610002004 A CN 201610002004A CN 105678069 A CN105678069 A CN 105678069A
- Authority
- CN
- China
- Prior art keywords
- gaseous state
- state sulfur
- containing compound
- elimination rate
- temperature hydrolysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008030 elimination Effects 0.000 title claims abstract description 33
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000007062 hydrolysis Effects 0.000 title claims abstract description 27
- 238000006460 hydrolysis reaction Methods 0.000 title claims abstract description 27
- 150000003464 sulfur compounds Chemical class 0.000 title abstract 5
- 238000004617 QSAR study Methods 0.000 claims abstract description 18
- 238000012417 linear regression Methods 0.000 claims abstract description 6
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 45
- 229910052717 sulfur Inorganic materials 0.000 claims description 45
- 239000011593 sulfur Substances 0.000 claims description 45
- 150000001875 compounds Chemical class 0.000 claims description 27
- 238000004770 highest occupied molecular orbital Methods 0.000 claims description 14
- 238000004768 lowest unoccupied molecular orbital Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- LSDPWZHWYPCBBB-UHFFFAOYSA-N Methanethiol Chemical compound SC LSDPWZHWYPCBBB-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- WQOXQRCZOLPYPM-UHFFFAOYSA-N dimethyl disulfide Chemical compound CSSC WQOXQRCZOLPYPM-UHFFFAOYSA-N 0.000 claims 2
- QGJOPFRUJISHPQ-UHFFFAOYSA-N Carbon disulfide Chemical compound S=C=S QGJOPFRUJISHPQ-UHFFFAOYSA-N 0.000 claims 1
- 150000003568 thioethers Chemical class 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 235000001508 sulfur Nutrition 0.000 description 36
- 150000002894 organic compounds Chemical group 0.000 description 23
- 238000002474 experimental method Methods 0.000 description 17
- 230000004071 biological effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- KBPLFHHGFOOTCA-UHFFFAOYSA-N 1-Octanol Chemical compound CCCCCCCCO KBPLFHHGFOOTCA-UHFFFAOYSA-N 0.000 description 2
- QMMFVYPAHWMCMS-UHFFFAOYSA-N Dimethyl sulfide Chemical compound CSC QMMFVYPAHWMCMS-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000009510 drug design Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001988 toxicity Effects 0.000 description 2
- 231100000419 toxicity Toxicity 0.000 description 2
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 208000007443 Neurasthenia Diseases 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 208000031320 Teratogenesis Diseases 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000007059 acute toxicity Effects 0.000 description 1
- 231100000403 acute toxicity Toxicity 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 206010003549 asthenia Diseases 0.000 description 1
- 230000007698 birth defect Effects 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 231100000613 environmental toxicology Toxicity 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- TUJKJAMUKRIRHC-UHFFFAOYSA-N hydroxyl Chemical compound [OH] TUJKJAMUKRIRHC-UHFFFAOYSA-N 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 125000006217 methyl sulfide group Chemical group [H]C([H])([H])S* 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000003987 organophosphate pesticide Substances 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007348 radical reaction Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 238000007614 solvation Methods 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通过建立定量构效关系模型（Quantitative？Structure-Activity？Relationship,？QSAR）预测气态含硫化合物在低温水解条件下的消除速率常数的方法，属于生态风险评价的定量结构与活性关系技术领域；在已知气态含硫化合物分子结构的基础上，仅通过计算具有结构特征的分子描述符，应用所构建的QSAR模型，即能快速、高效地预测气态含硫化合物在低温水解过程中的消除速率常数，该方法简单、快捷、成本低，且能节省实验测试所需的人力、物力和财力。本发明运用简单、透明的多元线性回归分析方法，易于理解和应用；具有明确的应用领域、良好的拟合能力、稳健性和预测能力，能有效地预测应用领域内有气态含硫化合物在低温水解条件下的消除速率常数。
Description
技术领域
本发明涉及一种通过建立定量构效关系模型（QSAR）预测气态含硫化合物在低温水解条件下消除速率常数的方法，属于生态风险评价的定量结构与活性关系技术领域。
背景技术
有机化合物结构-活性定量相关的研究，最初作为定量药物设计的一个研究分支，是为了适应合理设计生物活性分支的需要而发展起来的。定量构效关系研究是应用化学计量学方法研究有机物的分子结构与理化性质或活性之间的定量相关性，通过选取分子的理化参数或结构参数，用化学计量学和数理统计法研究有机化合物结构与其理化性质或生物活性之间的定量关系，建立定量构效模型方程来预测有机化合物分子理化性质或生物活性。它对于设计和筛选生物活性显著的药物，以及阐明药物的作用机理等均具有指导作用。特别是近二三十年来，由于计算机技术的发展和应用，使定量构效关系模型（QSAR）不仅已成为定量药物设计的一种重要方法，而且在环境化学、环境毒理学等领域中也得到了广泛的应用。许多环境科学研究者通过各种污染物结构-毒性定理关系的研究，建立了多种具有毒性预测能力的环境模型，如大连理工大学发明的专利“一种通过定量构效关系和溶剂化模型预测不同温度下的正辛醇空气分配系数KOA的方法”（中国专利申请号201210505935.6）和“一种通过定量构效关系模型预测有机物液相蒸汽压的方法”（中国专利申请号201110410088.0）及山东大学发明的专利“一种通过定量构效关系模型预测有机磷农药对水生生物急性毒性的方法”（中国专利申请号201410053184.8）。这对已进入环境的污染物及尚未投放市场的新化合物的生物活性、毒性乃至环境行为进行了成功的预测、评价和筛选，这些都说明QSAR在环境领域中已显示出极其广阔的应用前景。
硫的有机化合物广泛存在于大气环境中，并且硫在大气对流层和同温层的平衡中扮演着重要的角色，它们的来源可分为自然源和人为源。气态含硫有机化合物的人为源主要来自工业废气的排放，气态含硫有机化合物排放到大气环境中，可以进行一些物理和化学过程，从而导致它们在大气中消除或在大气中进一步转化，会对环境和生物造成非常严重的污染和危害，例如COS和CS2扩散到大气圈的平流层时，会通过光解-氧化作用生产SO2气体，这是酸雨的主要来源之一，与此同时有可能转化为硫酸盐的气溶胶，引起大气层中臭氧的损耗，加剧全球气候变化；而且当大气环境中的气态含硫有机化合物含量达到一定浓度时，可以侵袭人类的神经系统，会带来巨大的危害，它通过呼吸道、消化道和皮肤进入人体，作用于人体的各个器官，产生致畸、神经衰弱、神经性麻痹、胚胎发育障碍和子代先天性缺陷等症状，危及人体健康。另外，目前国内雾霾及其严重，特别是北京、天津等大城市，而据文献报道，雾霾颗粒上吸附有大量的含硫化合物，导致含硫化合物随着雾霾颗粒进入人体，严重危害人体健康。因此，准确预判含硫有机化合物浓度以及时提出正确预防措施是必要的。而大气中有机化合物去除的主要途径是与羟基自由基反应（·OH），而大气中·OH的主要来源于水解。因此，研究气态含硫有机化合物在低温水解条件下的消除速率常数对准确预判气态含硫有机化合物浓度具有重要意义。但经检索，利用建立定量构效关系模型预测气态含硫有机化合物在低温水解条件下的消除速率常数的方法还未见报道。
发明内容
针对现有技术上的不足，本发明的目的在于提供一种预测气态含硫化合物在低温水解条件下消除速率的方法。
本发明方法按如下步骤进行：
（1）通过查阅资料或文献获得待测气态含硫化合物的分子结构信息，利用量子化学软件对待测气态含硫化合物进行几何结构优化，获得气态含硫化合物结构的最优构型，从而获取最高占据轨道能量EHOMO、最低未占轨道能量ELUMO、分子平衡电负性三个量子化学参数；
（2）运用多元线性回归分析建立QSAR模型，获得如下回归方程，并通过回归方程计算待测气态含硫化合物的消除速率常数；
，其中，N为分子原子数，为原子电负性，为分子中某个原子的原子数；
拟合能力：R2=0.86517。
所述最优构型是指通过计算软件优化得到分子能量最低时的分子构型。
本发明技术方案的原理是利用已知气态含硫有机化合物分子，运用量子化学软件对其进行几何全优化，得出与低温水解相关的一些分子结构参数，并查得其他相关的经验参数;然后结合消除速率常数数据，利用简单、透明的多元线性回归分析方法，建立各种分子描述符与消除速率之间的定量关系拟合方程，并对方程的拟合能力，预测能力进行验证。最后对模型的适合应用范围进行规范。由此，可以快捷、有效的预测气态含硫有机化合物在低温水解条件下的消除速率常数。
本发明预测气态含硫有机化合物在低温水解条件下的消除速率常数的方法通过如下过程构建：
（1）通过进行低温水解实验或通过查阅相关数据库和文献，获得气态含硫有机化合物的消除速率（）数据（本工作共收集了14个气态含硫有机化合物的相关数据）；
（2）利用量子化学软件对待测气态含硫有机化合物进行几何结构优化，获得最高占据轨道能量（EHOMO）、最低未占轨道能量（ELUMO）及分子平衡电负性（，其中N为分子中的总原子数，为原子电负性，为分子中某个原子的原子数）三个量子化学参数作为分子描述符；
（3）将步骤（1）得到的消除速率常数数据中抽取1/4作为验证集数据，其余为训练集数据，训练集用来构建预测模型，验证集用来验证模型的预测能力；
（4）以步骤（2）获得的分子描述符为自变量，气态含硫有机化合物的消除速率常数为因变量，运用多元线性回归分析建立QSAR模型，最后获得如下回归方程：
拟合能力：R2=0.86517；
如图1所示，对于训练集来说，实验值与预测值误差较小，说明此模型具有较好的预测性及准确性，因此，此模型可以用于预测气态含硫化合物在低温水解条件下的消除速率常数。
（5）将验证集数据带入获得的回归方程（见图2），得到待测气态含硫有机化合物消除速率常数预测值，然后根据外部预测能力评价系数的值判定外部预测能力的好坏：当大于0.7时，表示建立的模型具有良好的外部预测能力，越大，外部预测能力越好。综合实验测定，最终得其外部预测能力=0.702，说明模型具有良好的外部预测能力。其中，上述外部预测能力评价系数的计算公式如下：
（为验证集实验值，为验证集预测值，为训练集实验值均值，n为验证集个数，i表示第i个验证集）。
（6）本预测模型适用于所有已知分子结构的气态含硫有机化合物。
本发明的优点和技术效果：本发明方法在已知气态含硫化合物分子结构的基础上，仅通过计算具有结构特征的分子描述符，应用所构建的QSAR模型，即能快速、高效地预测气态含硫化合物在低温水解过程中的消除速常数率，该方法简单、快捷、成本低，且能节省实验测试所需的人力、物力和财力；本发明运用简单、透明的多元线性回归分析方法，易于理解和应用；具有明确的应用领域、良好的拟合能力、稳定性和预测能力，能有效地预测应用领域内有气态含硫化合物在低温水解条件下的消除速率常数。通过比较预测值与实验值，其误差在可接受范围之内，外部预测能力评价系数合理，因此，此方法可用于预测气态含硫化合物在低温水解条件下的消除速率常数。
附图说明
图1 为训练集气态含硫有机化合物在低温水解条件下的消除速率常数的实验值与预测值的拟合图；
图2 为验证集气态含硫有机化合物在低温水解条件下的消除速率常数的实验值与预测值的拟合图。
具体实施方式
下面结合具体实施例进一步详细描述本发明，但本发明保护范围并不局限于如下所述内容。
实施例1：预测气态含硫化合物CS2在低温水解条件下消除速率常数的方法
首先查文献得CS2的分子结构信息（S=C=S），然后利用量子化学软件Gaussian 09 对分子结构进行优化，获得CS2结构的最优构型（C=S的键长为1.59058 Å，∠S-C-S=180°），然后获得模型所需的描述符：最高占据轨道能量（EHOMO）为-7.80803eV、最低未占轨道能量（ELUMO）为-2.32288eV、分子平衡电负性为2.5699；最后通过，其中（N为分子中的总原子数，为原子电负性，为分子中某个原子的原子数），得到的消除速率常数预测值为-1.3145，而查得的实验值为-1.1208，误差仅为0.1937，与实验值非常相符。
实施例2：预测气态含硫化合物COS在低温水解条件下消除速率常数的方法
首先查文献得COS的分子结构信息（O=C=S），然后利用量子化学软件Gaussian 09 对分子结构进行优化，获得COS结构的最优构型（O=C的键长为1.17652 Å，S=C的键长为1.60297Å，∠O-C-S=180°），然后获得模型所需的描述符：最高占据轨道能量（EHOMO）为-8.49293eV、最低未占轨道能量（ELUMO）为-1.4076eV、分子平衡电负性为2.8026；最后通过，其中（N为分子中的总原子数，为原子电负性，为分子中某个原子的原子数），得到的消除速率常数预测值为-1.40512，而查得的实验值为-1.2699，误差仅为0.13522，与实验值非常相符。
实施例3：预测气态甲硫醚在低温水解条件下的消除速率常数的方法
首先查文献得甲硫醚的分子结构信息（(H3C-S-CH3)），然后利用量子化学软件Gaussian 09 对分子结构进行优化，获得甲硫醚结构的最优构型（对称构型，C-S的键长为1.89074 Å，∠C-S-C= 98.74994°），然后获得模型所需的描述符：最高占据轨道能量（EHOMO）为-6.19045eV、最低未占轨道能量（ELUMO）为0.5867eV、分子平衡电负性为2.3082；最后通过，其中（N为分子中的总原子数，为原子电负性，为分子中某个原子的原子数），得到的消除速率常数预测值为-1.35671，而查得的实验值为-0.9641，误差仅为0.3930，与实验值非常相符。
实施例4：预测气态甲硫醇在低温水解条件下的消除速率常数的方法
首先查文献得甲硫醇的分子结构信息（H3C-S-H），然后利用量子化学软件Gaussian 09对分子结构进行优化，获得甲硫醇结构的最优构型（S-C的键长为1.90195 Å，∠C-S-H=96.35441°），然后获得模型所需的描述符：最高占据轨道能量（EHOMO）为-6.70426eV、最低未占轨道能量（ELUMO）为0.15558eV、分子平衡电负性为2.3095；最后通过，其中（N为分子中的总原子数，为原子电负性，为分子中某个原子的原子数），得到的消除速率常数预测值为-1.20957，而查得的实验值为-1.147，误差仅为0.06257，与实验值非常相符。
Claims (3)
1.一种预测气态含硫化合物在低温水解条件下消除速率常数的方法，其特征在于按如下步骤进行：
（1）通过查阅资料或文献获得待测气态含硫化合物的分子结构信息，利用量子化学软件对待测气态含硫化合物进行几何结构优化，获得气态含硫化合物结构的最优构型，从而获取最高占据轨道能量EHOMO、最低未占轨道能量ELUMO、分子平衡电负性三个量子化学参数；
（2）运用多元线性回归分析建立QSAR模型，获得如下回归方程，并通过回归方程计算待测气态含硫化合物的消除速率常数；
，其中，N为分子中的总原子数，为原子电负性，为分子中某个原子的原子数；
拟合能力：R2=0.86517。
2.根据权利要求1所述预测气态含硫化合物在低温水解条件下消除速率常数的方法，其特征在于：气态含硫化合物为有机气态含硫化合物。
3.根据权利要求2所述预测气态含硫化合物在低温水解条件下消除速率常数的方法，其特征在于：气态含硫化合物包括硫醚、硫醇、CS2、COS、二甲基二硫。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610002004.2A CN105678069A (zh) | 2016-01-06 | 2016-01-06 | 预测气态含硫化合物在低温水解条件下消除速率常数的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610002004.2A CN105678069A (zh) | 2016-01-06 | 2016-01-06 | 预测气态含硫化合物在低温水解条件下消除速率常数的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105678069A true CN105678069A (zh) | 2016-06-15 |
Family
ID=56190397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610002004.2A Pending CN105678069A (zh) | 2016-01-06 | 2016-01-06 | 预测气态含硫化合物在低温水解条件下消除速率常数的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105678069A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106124659A (zh) * | 2016-06-23 | 2016-11-16 | 井冈山大学 | 预测磺胺类抗生素光催化降解速率的方法 |
| CN106198847A (zh) * | 2016-06-24 | 2016-12-07 | 重庆医科大学 | 关于新烟碱类杀虫剂水解反应活性的评价方法 |
| CN109859805A (zh) * | 2019-03-22 | 2019-06-07 | 杭州辛孚能源科技有限公司 | 一种基于分子组成的汽油调和优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102507630A (zh) * | 2011-11-30 | 2012-06-20 | 大连理工大学 | 一种基于分子结构和环境温度预测化学物质与臭氧氧化反应速率常数的方法 |
| CN102999705A (zh) * | 2012-11-30 | 2013-03-27 | 大连理工大学 | 通过定量构效关系和溶剂化模型预测不同温度下的正辛醇空气分配系数koa的方法 |
| CN103425872A (zh) * | 2013-07-20 | 2013-12-04 | 大连理工大学 | 通过定量构效关系模型预测大气中有机物与羟基反应速率常数的方法 |
| CN104573863A (zh) * | 2015-01-07 | 2015-04-29 | 大连理工大学 | 预测水相中有机化合物与羟基自由基反应速率常数的方法 |
-
2016
- 2016-01-06 CN CN201610002004.2A patent/CN105678069A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102507630A (zh) * | 2011-11-30 | 2012-06-20 | 大连理工大学 | 一种基于分子结构和环境温度预测化学物质与臭氧氧化反应速率常数的方法 |
| US20140316755A1 (en) * | 2011-11-30 | 2014-10-23 | Dalian University Of Technology | Method for predicting oxidation reaction rate constant between chemicals and ozone based on molecular structure and ambient temperature |
| CN102999705A (zh) * | 2012-11-30 | 2013-03-27 | 大连理工大学 | 通过定量构效关系和溶剂化模型预测不同温度下的正辛醇空气分配系数koa的方法 |
| CN103425872A (zh) * | 2013-07-20 | 2013-12-04 | 大连理工大学 | 通过定量构效关系模型预测大气中有机物与羟基反应速率常数的方法 |
| CN104573863A (zh) * | 2015-01-07 | 2015-04-29 | 大连理工大学 | 预测水相中有机化合物与羟基自由基反应速率常数的方法 |
Non-Patent Citations (4)
| Title |
|---|
| 仝建波 等: "酯类化合物水解速率常数与其结构参数定量相关性研究", 《计算机与应用化学》 * |
| 张贵剑 等: "低温等离子体技术脱除大气污染物的研究进展", 《材料导报》 * |
| 王亚南: "典型有机污染物与.OH反应速率常数的QSAR研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 王霞 等: "人工神经网络预测含硫芳香族化合物的水解速率常数", 《南开大学学报(自然科学版)》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106124659A (zh) * | 2016-06-23 | 2016-11-16 | 井冈山大学 | 预测磺胺类抗生素光催化降解速率的方法 |
| CN106198847A (zh) * | 2016-06-24 | 2016-12-07 | 重庆医科大学 | 关于新烟碱类杀虫剂水解反应活性的评价方法 |
| CN109859805A (zh) * | 2019-03-22 | 2019-06-07 | 杭州辛孚能源科技有限公司 | 一种基于分子组成的汽油调和优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Spatiotemporal variation in the impact of meteorological conditions on PM2. 5 pollution in China from 2000 to 2017 | |
| Dang et al. | Quantifying the anthropogenic and meteorological influences on summertime surface ozone in China over 2012–2017 | |
| Li et al. | Overviewing the air quality models on air pollution in Sichuan Basin, China | |
| Wang et al. | Application of Weather Research and Forecasting Model with Chemistry (WRF/Chem) over northern China: Sensitivity study, comparative evaluation, and policy implications | |
| Pathak et al. | Nighttime enhancement of PM2. 5 nitrate in ammonia-poor atmospheric conditions in Beijing and Shanghai: Plausible contributions of heterogeneous hydrolysis of N2O5 and HNO3 partitioning | |
| Zhang et al. | Source apportionment of sulfate and nitrate particulate matter in the Eastern United States and effectiveness of emission control programs | |
| Zhang et al. | Emission inventory of carbonaceous pollutants from biomass burning in the Pearl River Delta Region, China | |
| Shi et al. | Airborne submicron particulate (PM1) pollution in Shanghai, China: Chemical variability, formation/dissociation of associated semi-volatile components and the impacts on visibility | |
| Liu et al. | Aerosol phase state and its link to chemical composition and liquid water content in a subtropical coastal megacity | |
| Sun et al. | A comprehensive study on ozone pollution in a megacity in North China Plain during summertime: Observations, source attributions and ozone sensitivity | |
| CN105678069A (zh) | 预测气态含硫化合物在低温水解条件下消除速率常数的方法 | |
| Penn et al. | Modeling variability in air pollution-related health damages from individual airport emissions | |
| Li et al. | An integrated process rate analysis of a regional fine particulate matter episode over Yangtze River Delta in 2010 | |
| Zu et al. | Investigation of relationships between meteorological conditions and high PM 10 pollution in a megacity in the western Yangtze River Delta, China | |
| Shon et al. | Photochemistry of reduced sulfur compounds in a landfill environment | |
| Qu et al. | The underlying mechanisms of PM2. 5 and O3 synergistic pollution in East China: Photochemical and heterogeneous interactions | |
| Li et al. | Large variability of O3-precursor relationship during severe ozone polluted period in an industry-driven cluster city (Zibo) of North China Plain | |
| Koc et al. | Investigation of urban climates and built environment relations by using machine learning | |
| Kristiani et al. | PM2. 5 forecasting model using a combination of deep learning and statistical feature selection | |
| Wang et al. | The relationship between the intensified heat waves and deteriorated summertime ozone pollution in the Beijing–Tianjin–Hebei region, China, during 2013–2017 | |
| Chen et al. | Synergistic effects of biogenic volatile organic compounds and soil nitric oxide emissions on summertime ozone formation in China | |
| Kong et al. | Key role of atmospheric water content in the formation of regional haze in southern China | |
| CN105701340B (zh) | 预测气态含硫化合物常温下在活性炭上的吸附速率常数的方法 | |
| Zhang et al. | Characteristics and secondary transformation potential of volatile organic compounds in Wuhan, China | |
| Howard et al. | Direct measurements of the ozone formation potential from dairy cattle emissions using a transportable smog chamber |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160615 |