CN109712679B - 一种化学物质的gwp分类预测方法及装置 - Google Patents
一种化学物质的gwp分类预测方法及装置 Download PDFInfo
- Publication number
- CN109712679B CN109712679B CN201910143720.6A CN201910143720A CN109712679B CN 109712679 B CN109712679 B CN 109712679B CN 201910143720 A CN201910143720 A CN 201910143720A CN 109712679 B CN109712679 B CN 109712679B
- Authority
- CN
- China
- Prior art keywords
- lumo
- classification
- homo
- energy
- gwp
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种化学物质的GWP分类预测方法及装置，利用训练集化合物的前线轨道HOMO和LUMO能量以及分类标注，采用随机森林分类法进行分类模型的训练，从而实现能够根据预测集化合物的前线轨道HOMO和LUMO能量，通过训练后的分类模型得到预测集化合物的分类标注，从而根据输出的具体的分类标注确定预测集化合物的GWP值的范围，本申请的预测方法更加简单，在训练好分类模型之后只需要计算预测集化合物的前线轨道HOMO和LUMO能量，大大缩短了计算步骤，且准确度更高，使得化合物的GWP预测值的计算步骤更简单以及准确。
Description
技术领域
本申请涉及化学检测技术领域，尤其涉及一种化学物质的GWP分类预测方法及装置。
背景技术
政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)是对全球范围内有关气候变化及其影响、气候变化减缓和适应措施的科学、技术、社会、经济方面的信息进行评估，并根据需求为《联合国气候变化框架公约》实施提供科学技术咨询的国际性组织。
IPCC将GWP(Global Warming Potential)定义为瞬时脉冲排放1kg化学物质x，在一定时间范围内引起的辐射强迫的积分相对于同样条件下排放等量参考气体(CO2)在同样时间范围内的辐射强迫积分的比值，即：
x(t)＝e-t/τ；
其中TH是时间范围(比如20、100和500年)，在本研究中我们取100年；t表示时间；RFx和RFr分别表示化合物x和参考气体CO2的辐射强迫；ax和ar分别表示相应的辐射效率；x(t)和r(t)分别表示化合物x和参考气体的时间相应函数；τ为大气寿命，单位为a；参比化合物CO2大气响应函数r(t)是由IPCC在2007最新发布的公式，参数a0，ai，τi是常数由IPCC公布。
一种化学物质i的大气寿命(atmospheric lifetime，τi)取决于其与羟基自由基的反应速率ki并表示为与甲基氯仿(CH3CCl3)的相对大气寿命：
其中
与ki分别代表277K时CH3CCl3与化学物质i与羟基自由基的反应速率常数。因此:
因此，化合物在大气中的羟基自由基反应速率ki是计算GWP的关键参数。
为了应对全球变暖，多个国家政府政府间签署的框架协议，规定未来排放的化学物质要求其GWP≤200。鉴于此，使用GWP≤200的材料是非常重要的。然而，对成千上万的化合物测试GWP值是非常耗时且成本昂贵的，因此，工业界(比如制冷、电力工业)需要一种快速、便宜的方法以提高发现低GWP化合物的效率并降低成本。
现有技术是采用组合辐射效率预测与羟基自由基反应速率预测，再预测化合物的GWP，实际的结果中，GWP的预测值与实验值之间比较离散，说明模型存在对化合物GWP是否小于200存在准确度的问题：当一个化合物的GWP实验值为200的时候，很可能被预测值为1200。同时，该预测方法比较复杂，需要三步计算。因此，提出一种更简单、准确的GWP预测方法是本领域技术人员急需的。
发明内容
本申请实施例提供了一种化学物质的GWP分类预测方法及装置，使得化合物的GWP预测值的计算步骤更简单以及准确。
有鉴于此，本申请第一方面提供了一种化学物质的GWP分类预测方法，所述方法包括：
获取含有分类标注的训练集化合物，所述分类标注包括表示GWP值小于等于200的第一分类标注、表示GWP值大于200小于等于1000的第二分类标注和表示GWP值大于1000的第三分类标注；
计算所述训练集化合物的前线轨道HOMO和LUMO能量；
将所述训练集化合物的前线轨道HOMO和LUMO能量作为自变量，所述训练集化合物的分类标注作为因变量，采用随机森林分类法进行分类模型的训练，得到训练后的分类模型；
获取预测集化合物；
计算所述预测集化合物的前线轨道HOMO和LUMO能量；
将所述预测集化合物的前线轨道HOMO和LUMO能量以及所述训练后的分类模型通过随机森林预测器对所述预测集化合物进行GWP预测，得到所述训练后的分类模型输出的所述预测集化合物的分类标注。
可选地，所述计算所述训练集化合物的前线轨道HOMO和LUMO能量具体为：
采用半经验量子力学法计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述计算所述预测集化合物的前线轨道HOMO和LUMO能量具体为：
采用半经验量子力学法计算所述预测集化合物的前线轨道HOMO和LUMO能量。
可选地，所述半经验量子力学法具体为AM1、PM3、PM6或PM7中的任意一种。
可选地，所述计算所述训练集化合物的前线轨道HOMO和LUMO能量具体为：
采用密度泛函理论计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述计算所述预测集化合物的前线轨道HOMO和LUMO能量具体为：
采用密度泛函理论计算所述预测集化合物的前线轨道HOMO和LUMO能量。
可选地，所述密度泛函理论具体为B2LYP或APFD。
可选地，所述计算所述训练集化合物的前线轨道HOMO和LUMO能量具体为：
采用从头计算法计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述计算所述预测集化合物的前线轨道HOMO和LUMO能量具体为：
采用从头计算法计算所述预测集化合物的前线轨道HOMO和LUMO能量。
本申请第二方面提供一种化学物质的GWP分类预测装置，所述装置包括：
第一获取单元，用于获取含有分类标注的训练集化合物，所述分类标注包括表示GWP值小于等于200的第一分类标注、表示GWP值大于200小于等于1000的第二分类标注和表示GWP值大于1000的第三分类标注；
第一计算单元，用于计算所述训练集化合物的前线轨道HOMO和LUMO能量；
训练单元，用于将所述训练集化合物的前线轨道HOMO和LUMO能量作为自变量，所述训练集化合物的分类标注作为因变量，采用随机森林分类法进行分类模型的训练，得到训练后的分类模型；
第二获取单元，用于获取预测集化合物；
第二计算单元，用于计算所述预测集化合物的前线轨道HOMO和LUMO能量；
预测单元，用于将所述预测集化合物的前线轨道HOMO和LUMO能量以及所述训练后的分类模型通过随机森林预测器对所述预测集化合物进行GWP预测，得到所述训练后的分类模型输出的所述预测集化合物的分类标注。
可选地，所述第一计算单元还用于采用半经验量子力学法计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述第二计算单元还用于采用半经验量子力学法计算所述预测集化合物的前线轨道HOMO和LUMO能量。
可选地，所述第一计算单元还用于采用密度泛函理论计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述第二计算单元还用于采用密度泛函理论计算所述预测集化合物的前线轨道HOMO和LUMO能量。
可选地，所述第一计算单元还用于采用从头计算法计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述第二计算单元还用于采用从头计算法计算所述预测集化合物的前线轨道HOMO和LUMO能量。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，提供了一种化学物质的GWP分类预测方法，利用训练集化合物的前线轨道HOMO和LUMO能量以及分类标注，采用随机森林分类法进行分类模型的训练，从而实现能够根据预测集化合物的前线轨道HOMO和LUMO能量，通过训练后的分类模型得到预测集化合物的分类标注，从而根据输出的具体的分类标注确定预测集化合物的GWP值的范围，本申请的预测方法更加简单，在训练好分类模型之后只需要计算预测集化合物的前线轨道HOMO和LUMO能量，大大缩短了计算步骤，且准确度更高，使得化合物的GWP预测值的计算步骤更简单以及准确。
附图说明
图1为本申请实施例中一种化学物质的GWP分类预测方法的方法流程图；
图2为本申请实施例中一种化学物质的GWP分类预测装置的装置结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请设计了一种化学物质的GWP分类预测方法及装置，使得化合物的GWP预测值的计算步骤更简单以及准确。
为了便于理解，请参阅图1，图1为本申请实施例中一种化学物质的GWP分类预测方法的方法流程图，如图1所示，具体为：
101、获取含有分类标注的训练集化合物，分类标注包括表示GWP值小于等于200的第一分类标注、表示GWP值大于200小于等于1000的第二分类标注和表示GWP值大于1000的第三分类标注；
需要说明的是，训练集化合物是从IPCC的气候变化报告中采集其公布的化合物及其GWP值，其中化合物结构用SMILES格式表达，化合物的GWP采集其中100年的值，如表1所示：
表1化合物结构、编号、GWP文献值以及其HOMO、LUMO能量、分类以及分类预测值
注：除了NOVEC4710之外，其它的数据均来自IPCC报告。
训练集化合物根据GWP值，赋予不同的分类标注，包括表示GWP值小于等于200的第一分类标注、表示GWP值大于200小于等于1000的第二分类标注和表示GWP值大于1000的第三分类标注，本申请实施例中，第一分类标注为1，第二分类标注为2，第三分类标注为3。
102、计算训练集化合物的前线轨道HOMO和LUMO能量；
103、将训练集化合物的前线轨道HOMO和LUMO能量作为自变量，训练集化合物的分类标注作为因变量，采用随机森林分类法进行分类模型的训练，得到训练后的分类模型；
需要说明的是，将训练集化合物的前线轨道HOMO和LUMO能量作为自变量，训练集化合物的分类标注作为因变量，使用Weka 3.7软件包的随机森林分类模块对输入的训练集化合物进行训练，获得训练后的分类模型。
104、获取预测集化合物；
105、计算预测集化合物的前线轨道HOMO和LUMO能量；
106、将预测集化合物的前线轨道HOMO和LUMO能量以及训练后的分类模型通过随机森林预测器对预测集化合物进行GWP预测，得到训练后的分类模型输出的预测集化合物的分类标注；
需要说明的是，将计算得到的预测集化合物的前线轨道HOMO和LUMO能量以及训练后的分类模型通过随机森林预测器对待预测化合物进行GWP预测，预测结果见表1。
评估标准采用分类正确率(Classification accuracy)、Cohen’s Kappa系数(κ)以及其它统计学指标，简述如下：
其中C为数据点中分类正确的数量，N是数据点总数。
Cohen′s kappa(κ)衡量N与C的一致性程度,计算方法见Cohen,J.A等人的文献(Coefficient of Agreement for Nominal Scales.Educ.Psychol.Meas.1960,20(1),37–46)。对于一次预测结果，还考察了真阳性率(true positive rate，TPR),假阳性率(falsepositive rate，FPT)，真阴性率(true negative rate，TNR),假阴性率(false negativerate，FNR),F-值(F-measure)：
True positive rate(TPR,也称为recall或敏感性sensitivity)：
False positive rate(FPR)：
True negative rate(TNR)：
False negative rate(FNR)is defined as
Precision：
F-measure：
表1记录了测试的化合物结构、HOMO与LUMO能量以及GWP文献值与预测值。表2的混淆矩阵给出了主要的统计学指标。表3则给出了主要的精度统计学结果。可以看出，在203个待预测化合物有199个化合物被正确的分类，总的分类正确率为98.03％，分类预测的Cohen’s Kappa(κ)为0.969。这表明本申请的分类模型具有及其显著的分类预测性能。
表2混淆矩阵
表3:精度统计学结果
本申请实施例中，提供了一种化学物质的GWP分类预测方法，利用训练集化合物的前线轨道HOMO和LUMO能量以及分类标注，采用随机森林分类法进行分类模型的训练，从而实现能够根据预测集化合物的前线轨道HOMO和LUMO能量，通过训练后的分类模型得到预测集化合物的分类标注，从而根据输出的具体的分类标注确定预测集化合物的GWP值的范围，本申请的预测方法更加简单，在训练好分类模型之后只需要计算预测集化合物的前线轨道HOMO和LUMO能量，大大缩短了计算步骤，且准确度更高，使得化合物的GWP预测值的计算步骤更简单以及准确。
进一步地，计算训练集化合物的前线轨道HOMO和LUMO能量具体为：
采用半经验量子力学法计算训练集化合物的前线轨道HOMO和LUMO能量；
相应地，计算预测集化合物的前线轨道HOMO和LUMO能量具体为：
采用半经验量子力学法计算预测集化合物的前线轨道HOMO和LUMO能量。
进一步地，半经验量子力学法具体为AM1、PM3、PM6或PM7中的任意一种。
进一步地，计算训练集化合物的前线轨道HOMO和LUMO能量具体为：
采用密度泛函理论计算训练集化合物的前线轨道HOMO和LUMO能量；
相应地，计算预测集化合物的前线轨道HOMO和LUMO能量具体为：
采用密度泛函理论计算预测集化合物的前线轨道HOMO和LUMO能量。
进一步地，密度泛函理论具体为B2LYP或APFD。
进一步地，计算训练集化合物的前线轨道HOMO和LUMO能量具体为：
采用从头计算法计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述计算所述预测集化合物的前线轨道HOMO和LUMO能量具体为：
采用从头计算法计算所述预测集化合物的前线轨道HOMO和LUMO能量。
以上是对本申请提供的一种化学物质的GWP分类预测方法进行的说明，以下将对本申请提供的一种化学物质的GWP分类预测装置进行说明。
请参阅图2，本申请提供了一种化学物质的GWP分类预测装置的装置结构图，装置包括：
第一获取单元201，用于获取含有分类标注的训练集化合物，分类标注包括表示GWP值小于等于200的第一分类标注、表示GWP值大于200小于等于1000的第二分类标注和表示GWP值大于1000的第三分类标注；
第一计算单元202，用于计算训练集化合物的前线轨道HOMO和LUMO能量；
训练单元203，用于将训练集化合物的前线轨道HOMO和LUMO能量作为自变量，训练集化合物的分类标注作为因变量，采用随机森林分类法进行分类模型的训练，得到训练后的分类模型；
第二获取单元204，用于获取预测集化合物；
第二计算单元205，用于计算预测集化合物的前线轨道HOMO和LUMO能量；
预测单元206，用于将预测集化合物的前线轨道HOMO和LUMO能量以及训练后的分类模型通过随机森林预测器对预测集化合物进行GWP预测，得到训练后的分类模型输出的预测集化合物的分类标注。
进一步地，第一计算单元202还用于采用半经验量子力学法计算训练集化合物的前线轨道HOMO和LUMO能量；
相应地，第二计算单元204还用于采用半经验量子力学法计算预测集化合物的前线轨道HOMO和LUMO能量。
进一步地，第一计算单元202还用于采用密度泛函理论计算训练集化合物的前线轨道HOMO和LUMO能量；
相应地，第二计算单元204还用于采用密度泛函理论计算预测集化合物的前线轨道HOMO和LUMO能量。
进一步地，第一计算单元202还用于采用从头计算法计算训练集化合物的前线轨道HOMO和LUMO能量；
相应地，第二计算单元204还用于采用从头计算法计算预测集化合物的前线轨道HOMO和LUMO能量。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种化学物质的GWP分类预测方法，其特征在于，包括：
获取含有分类标注的训练集化合物，所述分类标注包括表示GWP值小于等于200的第一分类标注、表示GWP值大于200小于等于1000的第二分类标注和表示GWP值大于1000的第三分类标注；
计算所述训练集化合物的前线轨道HOMO和LUMO能量；
将所述训练集化合物的前线轨道HOMO和LUMO能量作为自变量，所述训练集化合物的分类标注作为因变量，采用随机森林分类法进行分类模型的训练，得到训练后的分类模型；
获取预测集化合物；
计算所述预测集化合物的前线轨道HOMO和LUMO能量；
将所述预测集化合物的前线轨道HOMO和LUMO能量以及所述训练后的分类模型通过随机森林预测器对所述预测集化合物进行GWP预测，得到所述训练后的分类模型输出的所述预测集化合物的分类标注。
2.根据权利要求1所述的化学物质的GWP分类预测方法，其特征在于，所述计算所述训练集化合物的前线轨道HOMO和LUMO能量具体为：
采用半经验量子力学法计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述计算所述预测集化合物的前线轨道HOMO和LUMO能量具体为：
采用半经验量子力学法计算所述预测集化合物的前线轨道HOMO和LUMO能量。
3.根据权利要求2所述的化学物质的GWP分类预测方法，其特征在于，所述半经验量子力学法具体为AM1、PM3、PM6或PM7中的任意一种。
4.根据权利要求1所述的化学物质的GWP分类预测方法，其特征在于，
所述计算所述训练集化合物的前线轨道HOMO和LUMO能量具体为：
采用密度泛函理论计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述计算所述预测集化合物的前线轨道HOMO和LUMO能量具体为：
采用密度泛函理论计算所述预测集化合物的前线轨道HOMO和LUMO能量。
5.根据权利要求4所述的化学物质的GWP分类预测方法，其特征在于，所述密度泛函理论具体为B2LYP或APFD。
6.根据权利要求1所述的化学物质的GWP分类预测方法，其特征在于，
所述计算所述训练集化合物的前线轨道HOMO和LUMO能量具体为：
采用从头计算法计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述计算所述预测集化合物的前线轨道HOMO和LUMO能量具体为：
采用从头计算法计算所述预测集化合物的前线轨道HOMO和LUMO能量。
7.一种化学物质的GWP分类预测装置，其特征在于，包括：
第一获取单元，用于获取含有分类标注的训练集化合物，所述分类标注包括表示GWP值小于等于200的第一分类标注、表示GWP值大于200小于等于1000的第二分类标注和表示GWP值大于1000的第三分类标注；
第一计算单元，用于计算所述训练集化合物的前线轨道HOMO和LUMO能量；
训练单元，用于将所述训练集化合物的前线轨道HOMO和LUMO能量作为自变量，所述训练集化合物的分类标注作为因变量，采用随机森林分类法进行分类模型的训练，得到训练后的分类模型；
第二获取单元，用于获取预测集化合物；
第二计算单元，用于计算所述预测集化合物的前线轨道HOMO和LUMO能量；
预测单元，用于将所述预测集化合物的前线轨道HOMO和LUMO能量以及所述训练后的分类模型通过随机森林预测器对所述预测集化合物进行GWP预测，得到所述训练后的分类模型输出的所述预测集化合物的分类标注。
8.根据权利要求7所述的化学物质的GWP分类预测装置，其特征在于，所述第一计算单元还用于采用半经验量子力学法计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述第二计算单元还用于采用半经验量子力学法计算所述预测集化合物的前线轨道HOMO和LUMO能量。
9.根据权利要求7所述的化学物质的GWP分类预测装置，其特征在于，所述第一计算单元还用于采用密度泛函理论计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述第二计算单元还用于采用密度泛函理论计算所述预测集化合物的前线轨道HOMO和LUMO能量。
10.根据权利要求7所述的化学物质的GWP分类预测装置，其特征在于，所述第一计算单元还用于采用从头计算法计算所述训练集化合物的前线轨道HOMO和LUMO能量；
相应地，所述第二计算单元还用于采用从头计算法计算所述预测集化合物的前线轨道HOMO和LUMO能量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910143720.6A CN109712679B (zh) | 2019-02-25 | 2019-02-25 | 一种化学物质的gwp分类预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910143720.6A CN109712679B (zh) | 2019-02-25 | 2019-02-25 | 一种化学物质的gwp分类预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109712679A CN109712679A (zh) | 2019-05-03 |
| CN109712679B true CN109712679B (zh) | 2023-01-20 |
Family
ID=66265176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910143720.6A Active CN109712679B (zh) | 2019-02-25 | 2019-02-25 | 一种化学物质的gwp分类预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109712679B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB871655A (en) * | 1958-08-02 | 1961-06-28 | Cole E K Ltd | Improvements in or relating to electronic pulse amplitude analysing apparatus |
| EP2241908A1 (en) * | 2008-01-17 | 2010-10-20 | Fujitsu Limited | Apparatus for correcting carbon dioxide concentration, method of correcting carbon dioxide concentration and program for correcting carbon dioxide concentration |
| CN104820789A (zh) * | 2015-05-18 | 2015-08-05 | 中华人民共和国金华出入境检验检疫局 | 一种温室气体排放量的计算方法 |
| CN105868540A (zh) * | 2016-03-25 | 2016-08-17 | 哈尔滨理工大学 | 应用智能支持向量机对多环芳烃性质/毒性的预测方法 |
| CN108427845A (zh) * | 2018-03-16 | 2018-08-21 | 中南大学 | 一种铅锌矿采矿过程碳排放短期预测方法 |
-
2019
- 2019-02-25 CN CN201910143720.6A patent/CN109712679B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB871655A (en) * | 1958-08-02 | 1961-06-28 | Cole E K Ltd | Improvements in or relating to electronic pulse amplitude analysing apparatus |
| EP2241908A1 (en) * | 2008-01-17 | 2010-10-20 | Fujitsu Limited | Apparatus for correcting carbon dioxide concentration, method of correcting carbon dioxide concentration and program for correcting carbon dioxide concentration |
| CN104820789A (zh) * | 2015-05-18 | 2015-08-05 | 中华人民共和国金华出入境检验检疫局 | 一种温室气体排放量的计算方法 |
| CN105868540A (zh) * | 2016-03-25 | 2016-08-17 | 哈尔滨理工大学 | 应用智能支持向量机对多环芳烃性质/毒性的预测方法 |
| CN108427845A (zh) * | 2018-03-16 | 2018-08-21 | 中南大学 | 一种铅锌矿采矿过程碳排放短期预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| WANG Chang-Ke等.Shares Differences of Greenhouse Gas Emissions Calculated with GTP and GWP for Major Countries.《ADVANCES IN CLIMATE CHANGE RESEARCH》.2013,第127-132页. * |
| 一种基于基团贡献法的气体GWP计算方法;张聪等;《绝缘材料》;20181031(第10期);第78-82页 * |
| 气体电介质物化参数的预测及SF6潜在替代气体的筛选;邱睿;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190115(第1期);第C042-96页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109712679A (zh) | 2019-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Osthus et al. | Forecasting seasonal influenza with a state-space SIR model | |
| Yamana et al. | Superensemble forecasts of dengue outbreaks | |
| Cardone et al. | An updated gamma-ray bursts Hubble diagram | |
| Schulte | A conceptual framework for the validation and use of biologic markers | |
| Kelly et al. | Active galactic nucleus black hole mass estimates in the era of time domain astronomy | |
| Vaurio | Uncertainties and quantification of common cause failure rates and probabilities for system analyses | |
| JP2022084578A (ja) | 多面的放射線検出及び分類システム | |
| Aldor-Noiman et al. | Spatio-temporal low count processes with application to violent crime events | |
| Ommen et al. | A problem in forensic science highlighting the differences between the Bayes factor and likelihood ratio | |
| JP6355082B2 (ja) | 病理診断支援装置及び病理診断支援方法 | |
| Spicknall et al. | Estimates of the prevalence and incidence of syphilis in the United States, 2018 | |
| Meadows et al. | Infectious disease underreporting is predicted by country-level preparedness, politics, and pathogen severity | |
| Porter et al. | A path-specific SEIR model for use with general latent and infectious time distributions | |
| Kuselman et al. | House-of-security approach to measurement in analytical chemistry: quantification of human error using expert judgments | |
| Korsós et al. | Testing and validating two morphological flare predictors by logistic regression machine learning | |
| CN109712679B (zh) | 一种化学物质的gwp分类预测方法及装置 | |
| Bourhis et al. | Translating surveillance data into incidence estimates | |
| Vasiliauskaite et al. | On some fundamental challenges in monitoring epidemics | |
| Coulon et al. | An evolutionary algorithm for consensus building in inter-laboratory comparisons | |
| Gladstone et al. | The ultraluminous X-ray source population of NGC 4485/4490 | |
| CN109886339B (zh) | 一种化学物质的gwp回归预测方法及装置 | |
| Cheng et al. | Structural models used in real-time biosurveillance outbreak detection and outbreak curve isolation from noisy background morbidity levels | |
| Ntampaka et al. | The velocity distribution function of galaxy clusters as a cosmological probe | |
| Enki et al. | Taylor's power law and the statistical modelling of infectious disease surveillance data | |
| Oh et al. | Design and estimation for the population prevalence of infectious diseases |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |