CN113707229B - 一种基于电子定域化函数的六氟化硫缓冲气体挑选方法 - Google Patents
一种基于电子定域化函数的六氟化硫缓冲气体挑选方法 Download PDFInfo
- Publication number
- CN113707229B CN113707229B CN202110931271.9A CN202110931271A CN113707229B CN 113707229 B CN113707229 B CN 113707229B CN 202110931271 A CN202110931271 A CN 202110931271A CN 113707229 B CN113707229 B CN 113707229B
- Authority
- CN
- China
- Prior art keywords
- molecular
- buffer gas
- dimer
- parameters
- electrostatic potential
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供了一种基于电子定域化函数的六氟化硫缓冲气体挑选方法,构件二聚体分子样本模型;计算二聚体分子样本模型的结构参数和分子表面参数;选取筛选结构参数、筛选分子表面参数以及对应的缓冲气体的绝缘强度作为样本集;训练神经网络,获得预测模型;通过预测模型对待筛选的缓冲气体进行筛选本发明通过综合二聚体分子的电子定域化函数的分子表面参数与结构参数,能够有效提高气体分子绝缘强度预测精度,满足准确、快速地挑选SF6缓冲气体的需要。
Description
技术领域
本发明涉及电气绝缘介质技术领域,尤其是涉及一种基于电子定域化函数的六氟化硫缓冲气体挑选方法。
背景技术
SF6是一种强温室气体,削减SF6的应用与排放是电力工业的重要任务与职责,六氟化硫缓冲气体的研究备受关注。对已知物质进行试验筛选,是寻找SF6缓冲气体的主要方法,绝缘强度是首要考核指标。通过大量试验筛选,目前已得到CO2、N2、C4F8等潜在缓冲气体,虽然部分物质得到试点应用,但仍无法完全替代SF6。现存物质种类丰富,试验筛选工作量大,缺乏针对性,为此需探究气体介质分子微观结构与宏观绝缘强度的关系。
气体介质绝缘强度受分子微观参数的影响。例如气体的总碰撞面积,具有较大总碰撞面积的气体介质,往往绝缘强度越大。随着量子化学的发展,通过量化计算,可获得更加丰富的分子微观参数,用于绝缘强度的预测。通过对气体分子进行量化计算,获得的微观参数有结构参数与表面参数,结构参数中包含有单点能SP,偶极矩μ,极化率α,超极化率β,电负性χ,垂直电离能VIP,垂直亲合能VEA,最高占据轨道能量HOMO以及最低非占据轨道能量LUMO等;表面参数中包含有AS、AS +、AS -分别为分子总表面积、正静电势表面积、负静电势表面积;分别表示分子表面正静电势平均值、负静电势平均值、静电势平均值;Π为分子表面静电势平均偏差,表示分子内部电荷分离程度;σ+ 2、σ- 2、σtot 2为分子表面静电势的正方差、负方差、总方差;ν为电荷平衡度;σtot 2为电荷平衡度与表面静电势总方差乘积;VS,min、VS,max为分子表面静电势最小值与最大值;MPI为分子极性指数;NSA、PSA为非极性表面积与极性表面积。利用分子结构参数与表面参数进行绝缘强度的预测,已取得较好效果。然而,目前对于分子表面参数的计算,多采用电子密度为0.001a.u.的范德华表面,主要延续了沸点等性质的预测经验。气体放电不同于沸腾、升华等现象,其过程更加复杂,对于绝缘强度预测,范德华表面是否为最优选择,还需深入研究。电子密度都是以原子为中心向四周呈指数性衰减,如需深入分析物质性质(例如成键类型),得采用相应变换以凸显电子分布的其他特性,例如电子定域化函数。因此,需要考虑电子定域化函数表面参数与绝缘强度的关系,综合二聚体分子结构参数,提高绝缘强度预测模型的精度,使得SF6缓冲气体的筛选更加精确、有效。
关于挑选SF6缓冲气体的方法,目前并无专利,利用气体分子二聚体构型以及多层电子定域化函数表面参数挑选SF6缓冲气体是一项新型发明。
发明内容
本发明的目的是在于针对现有技术存在的上述问题,提供基于一种基于电子定域化函数的六氟化硫缓冲气体挑选方法。
本发明的上述目的通过以下技术方案实现:
一种基于电子定域化函数的六氟化硫缓冲气体挑选方法,包括以下步骤:
步骤1、构建六氟化硫与缓冲气体的二聚体分子结构,获得二聚体分子样本模型;
步骤2、对二聚体分子样本模型的处于基态的分子结构进行量化计算,获得二聚体分子样本模型的结构参数;
步骤3、对二聚体分子样本模型进行分析与处理得到波函数文件,基于波函数文件,选取波函数文件中的电子定域化函数进行二聚体分子样本模型的分子表面参数的计算;
步骤4、将二聚体分子样本模型的结构参数和二聚体分子样本模型的分子表面参数,分别与对应的缓冲气体的绝缘强度进行双变量的皮尔逊相关性分析,筛选出结构参数和分子表面参数中与缓冲气体的绝缘强度的相关性大于设定相关性阈值的结构参数和分子表面参数作为筛选结构参数和筛选分子表面参数;将筛选结构参数、筛选分子表面参数以及对应的缓冲气体的绝缘强度作为样本集;
步骤5、筛选结构参数和筛选分子表面参数作为神经网络的输入端,并将缓冲气体相对于SF6的相对绝缘强度作为输出端,将样本集分为训练集和验证集,进行神经网络的训练和验证,训练完成的神经网络即为预测模型;
步骤6、将待筛选的缓冲气体输入到预测模型中,获得待筛选缓冲气体对应的绝缘强度,若待筛选的缓冲气体对应的绝缘强度大SF6气体的绝缘强度,则选取待筛选的缓冲气体。
如上所述的步骤1中构建六氟化硫与缓冲气体的二聚体分子结构包括以下步骤:六氟化硫与缓冲气体混合体积比为1:10,对缓冲气体分子分别与六氟化硫进行二聚体建模,获得二聚体分子样本模型,然后选择M06-2X方法与6-311G++(d,p)基组,对二聚体分子样本模型的分子结构进行优化与频率分析,使得二聚体分子样本模型的分子结构处于基态且无虚频的产生。
如上所述的步骤2中,所述的结构参数包含有单点能SP,偶极矩μ,极化率α,超极化率β,电负性χ,垂直电离能VIP,垂直亲合能VEA,最高占据轨道能量HOMO以及最低非占据轨道能量LUMO。
如上所述的步骤2中二聚体分子样本模型的分子表面参数包括:
分子体积V、
分子总表面积AS、正静电势表面积AS +、负静电势表面积AS -、
分子表面静电势平均偏差Π(表示分子内部电荷分离程度)、
分子表面静电势的正方差σ+ 2、负方差σ- 2、总方差σtot 2、
电荷平衡度ν、
电荷平衡度与表面静电势总方差乘积σtot 2、
分子表面静电势最小值VS,min、分子表面静电势最大值VS,max、
分子极性指数MPI、
非极性表面积NSA、以及极性表面积PSA。
如上所述的步骤5中,若验证集的相关系数大于0.9,且均方误差小于0.01,则神经网络训练完成。
本发明与现有技术相比,具有以下优点:
与现有技术相比,本发明提供了一种基于二聚体分子构型以及分子多层电子定域化函数表面参数的SF6缓冲气体挑选方法。常规的绝缘强度预测模型选用单个气体分子的范德华表面参数进行构建,延续了沸点等性质的预测经验,本发明选用二聚体分子结构以及电子定域化函数计算的分子表面参数进行预测模型的构建,考虑了分子间的相互作用以及多层表面参数与绝缘强度的相关性,通过相关性大小筛选出与绝缘强度具有显著相关性的参数,并综合了结构参数进行绝缘强度的预测,考虑的分子微观参数更为全面,并且利用神经网络对计算的参数进行分析,能够更加准确地揭示分子微观参数与绝缘强度的关系,满足SF6缓冲气体挑选的准确性与有效性。
附图说明
图1是本发明的流程示意图;
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
图1是本发明的流程示意图,首先初步构建六氟化硫与缓冲气体的二聚体分子结构,混合气体体积混合比为1:10,且处在一个大气压下,并选择M06-2X方法与6-311G++(d,p)基组对分子结构进行优化以及频率分析,确定分子基态结构,计算基态下分子的结构参数;然后导出二聚体分子样本模型的波函数文件,进行波函数稳定性分析,选取波函数文件中的电子定域化函数进行二聚体分子样本模型的分子表面参数的计算;再将二聚体分子样本模型的结构参数、分子表面参数与缓冲气体绝缘强度进行相关性分析,筛选具有显著相关性的参数;最后将与绝缘强度具有显著相关性的参数输入至神经网络中,训练好的神经网络构成预测模型,得到预测模型用于SF6缓冲气体的筛选。本发明通过综合二聚体分子的电子定域化函数表面参数与结构参数,能够有效提高气体分子绝缘强度预测精度,满足准确、快速地挑选SF6缓冲气体的需要。
一种基于电子定域化函数的六氟化硫缓冲气体挑选方法,包括以下步骤:
步骤1、分子建模优化
首先构建六氟化硫与缓冲气体的二聚体分子结构,六氟化硫与缓冲气体混合体积比为1:10,压强为一个大气压下,对收集到的72个缓冲气体分子分别与六氟化硫进行二聚体建模,获得72个二聚体分子样本模型,然后选择M06-2X方法与6-311G++(d,p)基组,对二聚体分子样本模型的分子结构进行优化与频率分析,确保二聚体分子样本模型的分子结构处于基态且无虚频的产生,此时的二聚体分子样本模型的分子结构及其包含的一切信息可以用于后续的分析与计算。72种缓冲气体是不同气体,例如N2、O2、CO2等,与SF6组成二聚体。不同物质间可以组成二聚体,叫做异源二聚体。
步骤2、结构参数计算
对步骤1中72个二聚体分子样本模型的处于基态的分子结构进行量化计算,获得二聚体分子样本模型的结构参数,结构参数包含有单点能SP,偶极矩μ,极化率α,超极化率β,电负性χ,垂直电离能VIP,垂直亲合能VEA,最高占据轨道能量HOMO以及最低非占据轨道能量LUMO。
步骤3、多层电子定域化函数表面参数计算
对步骤1中的72个二聚体分子样本模型进行分析与处理得到波函数文件,对波函数文件进行稳定性分析,确保波函数文件的波函数的有效性。基于波函数文件,选取波函数文件中的电子定域化函数进行二聚体分子样本模型的分子表面参数的计算。电子定域化函数的函数值的取值为0-1,本实施例中,选取电子定域化函数的0.1、0.2、0.4、0.6、0.8五个函数值,利用不同的电子定域化函数的函数值对72个二聚体分子样本模型的表面进行定义,计算每个电子定域化函数的函数值定义的分子表面参数。通过计算获得的二聚体分子样本模型的分子表面参数包括:
分子体积V、
分子总表面积AS、正静电势表面积AS +、负静电势表面积AS -、
分子表面静电势平均偏差Π(表示分子内部电荷分离程度)、
分子表面静电势的正方差σ+ 2、负方差σ- 2、总方差σtot 2、
电荷平衡度ν、
电荷平衡度与表面静电势总方差乘积σtot 2、
分子表面静电势最小值VS,min、分子表面静电势最大值VS,max、
分子极性指数MPI、
非极性表面积NSA、以及极性表面积PSA。
步骤4、相关性分析
提取步骤2的72个二聚体分子样本模型的结构参数和步骤3的72个二聚体分子样本模型的分子表面参数,分别与对应的缓冲气体的绝缘强度进行双变量的皮尔逊相关性分析,并筛选出结构参数和分子表面参数中与缓冲气体的绝缘强度的相关性大于设定相关性阈值的结构参数和分子表面参数作为筛选结构参数和筛选分子表面参数,将72个二聚体分子样本模型的筛选结构参数和筛选分子表面参数,以及对应的缓冲气体的绝缘强度作为样本集,
本实施例中,设定相关性阈值为0.6。根据相关性分析结果,提取72个二聚体分子的不同表面参数分子体积V、总表面积AS、正静电势表面积AS +、静电势平均值表面静电势平均偏差Π、极性指数MPI、非极性表面积NSA、极性表面积PSA,并综合分子结构参数极化率α,作为神经网络的输入端。将72个二聚体分子样本模型的上述9个参数以及对应的缓冲气体的绝缘强度作为样本集。
步骤5、SF6缓冲气体的挑选
将步骤4中相关性分析得到的筛选结构参数和筛选分子表面参数作为神经网络的输入端,并将72种缓冲气体相对于SF6的相对绝缘强度(SF6为内标)作为输出端,将样本集分为训练集和验证集,训练集、验证集的比例为8:2,训练集和验证集样本随机分配,以满足预测模型的普适性,神经网络的隐含层设置10个神经元,进行神经网络的训练和验证,采用相关系数R以及均方误差MSE用于检验神经网络的可靠性,若验证集的相关系数大于0.9,且均方误差小于0.01,则认为神经网络是可靠的,神经网络训练完成,训练完成的神经网络即为预测模型,
步骤6、将待筛选的缓冲气体输入到预测模型中,获得待筛选缓冲气体对应的绝缘强度,若待筛选的缓冲气体对应的绝缘强度大于1,即大于SF6气体的绝缘强度,则认为该待筛选的缓冲气体可以搭配SF6气体使用,以此削减SF6气体的使用。从而快速的、准确的完成六氟化硫的缓冲气体挑选。
需要指出的是,本发明中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于电子定域化函数的六氟化硫缓冲气体挑选方法,其特征在于,包括以下步骤:
步骤1、构建六氟化硫与缓冲气体的二聚体分子结构,获得二聚体分子样本模型;
步骤2、对二聚体分子样本模型的处于基态的分子结构进行量化计算,获得二聚体分子样本模型的结构参数;
步骤3、对二聚体分子样本模型进行分析与处理得到波函数文件,基于波函数文件,选取波函数文件中的电子定域化函数进行二聚体分子样本模型的分子表面参数的计算;
步骤4、将二聚体分子样本模型的结构参数和二聚体分子样本模型的分子表面参数,分别与对应的缓冲气体的绝缘强度进行双变量的皮尔逊相关性分析,筛选出结构参数和分子表面参数中与缓冲气体的绝缘强度的相关性大于设定相关性阈值的结构参数和分子表面参数作为筛选结构参数和筛选分子表面参数;将筛选结构参数、筛选分子表面参数以及对应的缓冲气体的绝缘强度作为样本集;
步骤5、筛选结构参数和筛选分子表面参数作为神经网络的输入端,并将缓冲气体相对于SF6的相对绝缘强度作为输出端,将样本集分为训练集和验证集,进行神经网络的训练和验证,训练完成的神经网络即为预测模型;
步骤6、将待筛选的缓冲气体输入到预测模型中,获得待筛选缓冲气体对应的绝缘强度,若待筛选的缓冲气体对应的绝缘强度大于SF6气体的绝缘强度,则选取待筛选的缓冲气体。
2.根据权利要求1所述的一种基于电子定域化函数的六氟化硫缓冲气体挑选方法,其特征在于,所述的步骤1中构建六氟化硫与缓冲气体的二聚体分子结构包括以下步骤:六氟化硫与缓冲气体混合体积比为1:10,对缓冲气体分子分别与六氟化硫进行二聚体建模,获得二聚体分子样本模型,然后选择M06-2X方法与6-311G++(d,p)基组,对二聚体分子样本模型的分子结构进行优化与频率分析,使得二聚体分子样本模型的分子结构处于基态且无虚频的产生。
3.根据权利要求1所述的一种基于电子定域化函数的六氟化硫缓冲气体挑选方法,其特征在于,所述的步骤2中,所述的结构参数包含有单点能SP,偶极矩μ,极化率α,超极化率β,电负性χ,垂直电离能VIP,垂直亲合能VEA,最高占据轨道能量HOMO以及最低非占据轨道能量LUMO。
4.根据权利要求1所述的一种基于电子定域化函数的六氟化硫缓冲气体挑选方法,其特征在于,所述的步骤2中二聚体分子样本模型的分子表面参数包括:
分子体积V、
分子总表面积AS、正静电势表面积AS +、负静电势表面积AS -、
分子表面静电势平均偏差Π(表示分子内部电荷分离程度)、
分子表面静电势的正方差σ+ 2、负方差σ- 2、总方差σtot 2、
电荷平衡度ν、
电荷平衡度与表面静电势总方差乘积σtot 2、
分子表面静电势最小值VS,min、分子表面静电势最大值VS,max、
分子极性指数MPI、
非极性表面积NSA、以及极性表面积PSA。
5.根据权利要求1所述的一种基于电子定域化函数的六氟化硫缓冲气体挑选方法,其特征在于,所述的步骤5中,若验证集的相关系数大于0.9,且均方误差小于0.01,则神经网络训练完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110931271.9A CN113707229B (zh) | 2021-08-13 | 2021-08-13 | 一种基于电子定域化函数的六氟化硫缓冲气体挑选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110931271.9A CN113707229B (zh) | 2021-08-13 | 2021-08-13 | 一种基于电子定域化函数的六氟化硫缓冲气体挑选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113707229A CN113707229A (zh) | 2021-11-26 |
CN113707229B true CN113707229B (zh) | 2023-06-09 |
Family
ID=78652684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110931271.9A Active CN113707229B (zh) | 2021-08-13 | 2021-08-13 | 一种基于电子定域化函数的六氟化硫缓冲气体挑选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113707229B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587845B1 (en) * | 2000-02-15 | 2003-07-01 | Benjamin B. Braunheim | Method and apparatus for identification and optimization of bioactive compounds using a neural network |
US7687146B1 (en) * | 2004-02-11 | 2010-03-30 | Zyvex Labs, Llc | Simple tool for positional diamond mechanosynthesis, and its method of manufacture |
JP2014071742A (ja) * | 2012-09-28 | 2014-04-21 | Fujifilm Corp | 生物濃縮倍率の予測装置、予測方法及びプログラム |
CN107209813A (zh) * | 2014-11-25 | 2017-09-26 | 国家信息及自动化研究院 | 用于分子结构的输入集合的相互作用参数 |
CN108259023A (zh) * | 2018-01-31 | 2018-07-06 | 湖北工业大学 | 一种fir滤波器优化方法及系统 |
CN108305282A (zh) * | 2018-01-31 | 2018-07-20 | 湖北工业大学 | 一种基于杂交水稻算法的图像配准方法及系统 |
CN109599151A (zh) * | 2018-11-30 | 2019-04-09 | 武汉大学 | 一种全氟酮类环保型替代气体热力学仿真方法 |
CN112162182A (zh) * | 2020-09-28 | 2021-01-01 | 哈尔滨理工大学 | 一种基于神经网络的气体介电强度预测方法 |
CN112182950A (zh) * | 2019-07-02 | 2021-01-05 | 国网电力科学研究院有限公司 | 一种气体介质绝缘能力评估方法 |
CN112634998A (zh) * | 2020-12-25 | 2021-04-09 | 武汉大学 | 一种基于分子结构参数的sf6替代气体寻找方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003005016A1 (en) * | 2001-06-30 | 2003-01-16 | Sionex Corporation | System for collection of data and identification of unknown ion species in an electric field |
EP1756561A1 (en) * | 2004-04-28 | 2007-02-28 | Sionex Corporation | System and method for ion species analysis with enhanced condition control and data interpretation using differential mobility spectrometers |
US20190237166A1 (en) * | 2017-10-06 | 2019-08-01 | The Royal Institution For The Advancement Of Learning/Mcgill University | Method for optimizing fluorescence-based detection |
-
2021
- 2021-08-13 CN CN202110931271.9A patent/CN113707229B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587845B1 (en) * | 2000-02-15 | 2003-07-01 | Benjamin B. Braunheim | Method and apparatus for identification and optimization of bioactive compounds using a neural network |
US7687146B1 (en) * | 2004-02-11 | 2010-03-30 | Zyvex Labs, Llc | Simple tool for positional diamond mechanosynthesis, and its method of manufacture |
JP2014071742A (ja) * | 2012-09-28 | 2014-04-21 | Fujifilm Corp | 生物濃縮倍率の予測装置、予測方法及びプログラム |
CN107209813A (zh) * | 2014-11-25 | 2017-09-26 | 国家信息及自动化研究院 | 用于分子结构的输入集合的相互作用参数 |
CN108259023A (zh) * | 2018-01-31 | 2018-07-06 | 湖北工业大学 | 一种fir滤波器优化方法及系统 |
CN108305282A (zh) * | 2018-01-31 | 2018-07-20 | 湖北工业大学 | 一种基于杂交水稻算法的图像配准方法及系统 |
CN109599151A (zh) * | 2018-11-30 | 2019-04-09 | 武汉大学 | 一种全氟酮类环保型替代气体热力学仿真方法 |
CN112182950A (zh) * | 2019-07-02 | 2021-01-05 | 国网电力科学研究院有限公司 | 一种气体介质绝缘能力评估方法 |
CN112162182A (zh) * | 2020-09-28 | 2021-01-01 | 哈尔滨理工大学 | 一种基于神经网络的气体介电强度预测方法 |
CN112634998A (zh) * | 2020-12-25 | 2021-04-09 | 武汉大学 | 一种基于分子结构参数的sf6替代气体寻找方法 |
Non-Patent Citations (3)
Title |
---|
C Lu."Conversion of relative humidity in SF6 gas-insulated equipment at different temperatures based on the polanyi adsorption potential theory".《2006 IEEE instrumentation and measurement technology》.2006,全文. * |
基于密度泛函理论的 SF6替代气体 筛选方法的研究综述;李兴文;《高电压技术》;全文 * |
环保气体HFO-1336mzz(E)及其混合气体的绝缘性能研究;唐念;《电工技术学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113707229A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112216356A (zh) | 一种基于机器学习的高熵合金硬度预测方法 | |
CN111487676B (zh) | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 | |
CN110555476B (zh) | 一种适用于人机混驾环境下智能车辆换道轨迹预测方法 | |
CN108279251A (zh) | 一种石油分子层次分离过程模拟的方法及其装置 | |
CN103957116B (zh) | 一种云故障数据的决策方法及系统 | |
US20230053348A1 (en) | Method and apparatus for evaluating volumes of discharged hydrocarbon and externally charged hydrocarbon in mud shale | |
US20220252492A1 (en) | Method and apparatus for determining content of adsorbed gas in deep shale, and server | |
CN113707229B (zh) | 一种基于电子定域化函数的六氟化硫缓冲气体挑选方法 | |
CN112989635A (zh) | 基于自编码器多样性生成机制的集成学习软测量建模方法 | |
CN102507718A (zh) | 一种沥青分析鉴别方法 | |
Ai et al. | Data-driven source localization of impact on aircraft control surfaces | |
CN108710576A (zh) | 基于异构迁移的数据集扩充方法及软件缺陷预测方法 | |
CN114692677A (zh) | 一种基于多目标特征选择的焊接缺陷识别方法 | |
Fayaz et al. | An efficient algorithm to simulate site‐based ground motions that match a target spectrum | |
CN107133879B (zh) | 一种筛选相似油田的方法 | |
CN112147473A (zh) | 一种高绝缘强度气体的筛选方法 | |
CN117669342A (zh) | 一种基于深度学习的新型环保绝缘气体分子筛选方法 | |
Hu | Application of artificial neuron network in analysis of railway delays | |
CN115310822A (zh) | 一种公路货运通道综合风险评价方法及电子设备 | |
CN115688242A (zh) | 一种多策略融合的rc柱地震破坏模式识别方法 | |
CN111441766A (zh) | 一种分层试气无阻流量预测方法 | |
CN115346622A (zh) | 一种水泥稳定碎石抗压强度的预测方法 | |
Zeghal | Modeling the creep compliance of asphalt concrete using the artificial neural network technique | |
KR100919684B1 (ko) | 데이터 마이닝 방법 | |
CN114580118A (zh) | 一种离子推力器寿命及可靠性定量评估方法 |
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 |