神经网络法研究硝基含能化合物的撞击感度

神经网络法研究硝基含能化合物的撞击感度 Research on the Impact Sensitivity of Nitro Energetic Compounds by Neural Network first-author 堵锡华，男，教授，主要从事化合物构效关系研究。E-mail: 12dxh@sina.com 堵锡华，男，教授，主要从事化合物构效关系研究。E-mail: 12dxh@sina.com 12dxh@sina.com 徐州工程学院 化学化工学院，江苏 徐州 221018 徐州工程学院 化学化工学院，江苏 徐州 221018 School of Chemistry and Chemical Engineering, Xuzhou University of Technology, Xuzhou 221018, Jiangsu, China School of Chemistry and Chemical Engineering, Xuzhou University of Technology, Xuzhou 221018, Jiangsu, China 为了研究硝基含能化合物的撞击感度与分子结构之间的关系，基于邻接矩阵和空间结构，计算了36个硝基含能化合物的分子连接性指数 X 和电性拓扑状态指数 E ，建立了这些分子的撞击感度(lg H 50 )与 1 X 、 2 X 、 4 X 、 5 X 、 E 13 、 E 16 和 E 28 共7种分子结构参数的定量结构-性质相关性(QSPR)模型。将这7种分子结构参数作为神经网络法的输入神经元，采用7:2:1的神经网络结构，建立了预测精度较好的神经网络模型，总相关系数为0.975 5。利用该模型计算得到的撞击感度预测值与其实验值的相对平均误差为4.03%，优于多元回归模型的相对平均误差(9.57%)。预测值与实验值较吻合，表明硝基含能化合物的撞击感度与7种分子结构参数具有非线性关系。 In order to study the correlativity between the impact sensitivity and the molecular structure of nitro energetic compounds, the molecular connectivity index X and electrotopological state index E of 36 nitro energetic compounds were calculated based on conjugation matrix and molecular space structure. Thus, we developed the QSPR between the impact sensitivity (lg H 50 ) and seven molecular structural parameters ( 1 X , 2 X , 4 X , 5 X , E 13 , E 16 and E 28 ) of 36 nitro energetic compounds. Using the seven molecular structural parameters as input neurons of the neural network, a neural network model with better prediction accuracy was established by neural network method whose network structure was 7:2:1. The total correlation coefficient is 0.975 5. The average relative error between the experimental value and the predicted value (lg H 50 ) is 4.03%, which is better than that of the multivariate regression model (9.57%). The predicted values are in good agreement with the experimental ones. The results show that there is a nonlinear relationship between the impact sensitivity and the seven molecular structural parameters. 撞击感度 硝基含能化合物 神经网络 分子结构参数 定量结构-性质相关性 impact sensitivity nitro energetic compound neural network molecular structure parameter quantitative structure-property relationship 引言 1 含能材料(energetic materials)作为一种特殊的能量发生源，被广泛应用于医疗、工业、矿物、军事等领域 [ 1 1 , 2 2 ] ，近年来受到了研究工作者越来越多的关注 [ 3 3 , 4 4 ] 。撞击感度(impact sensitivity)是含能材料安全性的一项重要性质参数，是度量含能材料受到外部力量冲击时发生爆炸的难易程度的一项重要指标，直接影响含能材料的储存、运输以及工业或军事上的应用 [ 5 5 , 6 6 ] 。近年来，对含能材料撞击感度的研究在国内外逐渐受到人们的重视 [ 7 7 ~ 9 9 7~9 ] ，对撞击感度的理论预测也成为一个新兴研究领域 [ 10 10 , 11 11 ] 。 神经网络法(neural network method)是一种从神经心理学研究出发的应用数学处理方法，具有高度的并行计算、自学和容错能力，能够模拟人的大脑对相关信息进行处理，自适应强、结构简单，可模拟非线性输入/输出关系，在环境化学 [ 12 12 ] 、食品科学 [ 13 13 ] 、药物化学 [ 14 14 ] 、农学 [ 15 15 ] 等领域得到广泛应用。将神经网络法应用于撞击感度的研究有少量的报道 [ 16 16 , 17 17 ] 。 本研究在前期工作 [ 18 18 ~ 20 20 18~20 ] 的基础上，根据文献[ 21 21 ]列出的36个硝基含能化合物的撞击感度，采用Matlab软件按文献方法 [ 22 22 , 23 23 ] 编写的应用程序。该程序计算了分子连接性指数和电性拓扑状态指数，通过最佳变量子集回归分析，筛选了 1 X 、 2 X 、 4 X 、 5 X 四种分子连接性指数和 E 13 、 E 16 、 E 28 三种电性拓扑状态指数与化合物的撞击感度进行神经网络建模。通过建立分子空间拓扑结构和电性结构与撞击感度的定量结构-性质相关性(QSPR)模型，探索影响撞击感度的分子空间特性，以评判含能材料的安全性，希望为设计并合成新型钝感含能材料提供理论依据。 参数计算及变量筛选 1 采用Chemoffice2005应用软件中的Chem3D 9.0画图工具，对文献[ 21 21 ]所列的36种硝基含能化合物的分子结构画图。在Matlab软件中调用这些结构，利用分子中原子的空间结构及电性结构与性质之间的函数关系，自编应用程序计算得到分子连接性指数 X 和电性拓扑状态指数 E 作为描述符，采用Minitab软件中的最佳变量子集回归方法，对硝基含能化合物的撞击感度进行回归分析，优化筛选与撞击感度相关性最好的7种分子结构参数 E 13 、 E 16 、 E 28 、 1 X 、 2 X 、 4 X 、 5 X ，并通过SPSS统计分析软件对所选参数进行反复验证，回归结果见 表 1 表 1 。 r 2 、 r adj 2 、 F 、 S 、FIT分别代表决定系数、调整的判定系数、Fischer检验值、标准误差、Kubinyi函数 No. Variable subset r 2 r adj 2 F S FIT 1 E 16 0.509 0.495 35.313 0.306 0.953 2 E 16 ， E 13 0.578 0.552 22.562 0.288 1.130 3 E 16 ， E 13 ， 2 X 0.597 0.559 15.798 0.286 1.053 4 E 16 ， E 13 ， 2 X ， 4 X 0.681 0.640 16.544 0.259 1.273 5 E 16 ， E 13 ， 1 X ， 2 X ， 4 X 0.743 0.700 17.317 0.236 1.422 6 E 16 ， E 13 ， 1 X ， 2 X ， 4 X ， 5 X 0.787 0.743 17.971 0.218 1.488 7 E 16 ， E 13 ， E 28 ， 1 X ， 2 X ， 4 X 0.769 0.722 16.102 0.227 1.341 8 E 16 ， E 13 ， E 28 ， 1 X ， 2 X ， 4 X ， 5 X 0.796 0.745 15.680 0.217 1.285 表 1 表 1 中FIT的计算公式 [ 24 24 ] 为： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257241&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257241&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257241&type=middle 式中： n 为含能化合物分子的样本数， b 为所建模型采用的变量数， r 2 为模型的决定系数。通常，FIT值越大，所建模型越稳定，预测能力也越强。 从 表 1 表 1 结果可以看出，以两类结构参数中筛选的7个参数作为变量时，所得模型的决定系数和判定系数值最大、标准误差最小。将36个硝基含能化合物分子及其分子结构参数列于 表 2 表 2 中。 2 No. 2 Compound 2 1 X 2 2 X 2 4 X 2 5 X 2 E 13 2 E 16 2 E 28 3 lg H 50 Exp. Pre. Err./% 1 4, 6-dinitroresorcinol 3.314 2.376 0.247 0.861 34.879 20.761 -1.413 2.544 2.474 -2.74 2 2, 4-dinitroresorcinol 3.320 2.347 0.235 0.901 35.034 20.793 -1.528 2.471 2.504 1.33 3 3, 5-dimethyl-2, 4, 6-trinitrophenol 4.542 3.463 0.306 1.728 36.077 32.646 -2.224 1.886 1.818 -3.62 4 2-azyl-3, 4, 5, 6-tetranitrotoluene 4.713 3.525 0.321 1.625 35.500 43.948 -4.018 1.556 1.519 -2.40 5 2, 3, 4-trinitrotoluene 3.979 2.918 0.253 1.254 26.121 32.177 -2.179 1.748 1.878 7.46 6 2, 4, 6-trinitroresorcinol 3.843 2.779 0.287 1.094 44.133 31.691 -2.923 1.633 1.487 -8.97 7 1, 3, 5-trihydroxyl-2, 4, 6-trinitrobenzene 3.989 2.911 0.305 1.217 53.497 31.843 -3.446 1.431 1.467 2.49 8 2, 4, 6-trinitroaniline 3.762 2.717 0.265 1.036 25.780 31.741 -2.093 2.248 2.398 6.69 9 chrysolepic acid 3.697 2.651 0.265 0.992 34.810 31.540 -2.399 1.940 2.172 11.95 10 3, 4, 5-trinitrotoluene 3.973 2.971 0.266 1.229 26.064 32.108 -2.195 2.030 1.989 -2.03 11 2, 3, 4, 5-tetranitrotoluene 4.502 3.350 0.303 1.519 35.212 43.543 -3.770 1.113 1.335 19.91 12 2, 3, 4, 6-tetranitrobenzene 4.079 2.924 0.278 1.188 34.593 42.754 -3.674 1.519 1.415 -6.83 13 2, 3, 4, 6-tetranitroaniline 4.291 3.118 0.296 1.332 34.913 43.203 -3.952 1.613 1.589 -1.48 14 2, 3, 4, 6-tetranitrotoluene 4.502 3.329 0.296 1.494 35.170 43.460 -3.566 1.279 1.244 -2.71 15 2, 3, 5, 6-tetranitrotoluene 4.502 3.329 0.297 1.537 35.146 43.409 -3.441 1.398 1.400 0.16 16 1, 3-diazyl-2, 4, 6-trinitrobenzene 3.973 2.910 0.280 1.195 26.032 32.093 -2.311 2.505 2.520 0.57 17 cyclotetramethylenetetranitramine 4.860 3.603 0.334 1.366 35.116 43.283 -2.958 1.415 1.514 7.02 18 trinitrobenzene 3.551 2.526 0.242 0.911 25.529 31.389 -1.875 2.000 2.064 3.21 19 cyclo trimethylene trinitramine 3.645 2.702 0.223 1.024 25.567 31.427 -1.857 1.380 1.372 -0.59 20 2, 4, 6-trinitrophenethylol 4.643 3.255 0.259 1.447 35.136 32.436 -1.946 1.716 1.717 0.06 21 2, 4, 6-trinitrophenetole 4.673 3.065 0.259 1.271 26.364 32.448 -1.967 2.279 2.294 0.65 22 2, 4, 6-trinitroanisole 4.086 2.836 0.259 1.188 26.115 32.147 -2.017 2.283 2.215 -3.01 23 3-azyl-2, 4, 6-trinitrophenol 3.908 2.845 0.275 1.144 35.162 31.892 -2.617 2.140 1.966 -8.11 24 1, 3, 5-triazyl-2, 4, 6-trinitroaniline 4.185 3.106 0.293 1.390 26.284 32.445 -2.530 2.690 2.540 -5.57 25 pentanitroaniline 4.820 3.521 0.332 1.635 44.255 55.011 -6.268 1.176 1.233 4.82 26 pentanitrotoluene 5.031 3.733 0.332 1.816 44.567 55.323 -5.803 1.255 1.216 -3.16 27 2, 4, 6-trinitrotoluene 3.973 2.928 0.259 1.177 25.981 31.942 -1.788 2.204 2.067 -6.21 28 hexanitrobenzene 5.137 3.729 0.348 1.760 53.346 66.522 -8.648 1.079 1.066 -1.21 29 2, 4, 6-trinitrochlorotoluene 4.462 3.398 0.275 1.614 26.222 32.282 -2.023 1.644 1.728 5.17 30 2, 4, 6-trinitrochlorobenzene 4.039 2.994 0.259 1.222 25.769 31.730 -2.110 1.898 1.836 -3.24 31 2, 4, 6-trinitrobenzonitrile 3.947 2.790 0.259 1.124 25.931 31.962 -2.266 2.146 2.129 -0.79 32 3-azyl-2, 4, 6-trinitrobenzonitrile 4.158 2.983 0.274 1.275 26.183 32.315 -2.484 2.146 2.230 3.90 33 2, 4, 6-trinitroacetophenone 4.427 3.234 0.318 1.370 26.228 43.600 -2.239 1.898 1.903 0.27 34 2, 4, 6-trinitromethylbenzenecarboxylate 4.540 3.169 0.283 1.321 26.334 43.905 -2.389 1.954 1.868 -4.40 35 3, 5-diazyl-2, 4, 6-trinitrophenol 4.120 3.041 0.293 1.330 35.515 32.244 -2.835 2.050 2.089 1.96 36 2, 4, 6-trinitrobenzoic acid 4.151 2.983 0.283 1.229 34.710 42.871 -2.640 2.037 2.033 -0.22 模型建构 1 多元回归分析模型 2 将36种硝基含能化合物的撞击感度lg H 50 ( H 50 为落锤实验中发生50%爆炸状况下的特征落高)，与通过最佳变量子集回归分析筛选的7种分子结构参数 1 X ， 2 X ， 4 X ， 5 X ， E 13 ， E 16 和 E 28 进行回归分析，得到的回归方程为： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257245&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257245&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257245&type=middle 利用该式对含能化合物的撞击感度进行预测，所得预测值与实验值基本吻合。 多元回归分析模型的稳定性与预测能力 2 采用Jackknifed法 [ 25 25 ] 对模型的稳定性进行检验，每次从36个化合物中剔除1个，对剩余35个化合物进行回归分析，共得到36个方程的决定系数 r 2 ，平均值为0.798，该值与(2)式的 r 2 值基本相符。利用所得的36个方程对相应被剔除的分子进行预测，预测值与实验值之间的相对平均误差为9.57%。用Minitab软件进行留一法交叉验证，得到交叉验证相关系数 r cv 2 为0.608，大于0.5。通常，模型的 r cv 2 值越接近于1，稳定性越好，预测能力越强 [ 26 26 ] 。因此，本文模型的稳定性较好，预测能力较强。 以0.750为圆心，0.01为间距，绘制36个硝基含能化合物的Jackknifed决定系数的雷达图，以评价模型是否有离域的异常值。如 图 1 图 1 所示，36个硝基化合物的 r 2 值全部在0.75~0.85之间，波动性很小，说明不存在异常值。 r adj 2 -r cv 2 =0.746-0.608=0.138 < 0.3，也说明模型不存在过拟合 [ 27 27 ] ，也不存在离域异常值。 神经网络模型 2 采用神经网络法进一步提高预测硝基含能化合物撞击感度的准确度。对36种硝基含能化合物，以筛选出的7种分子结构参数作为神经网络的输入变量，撞击感度作为神经网络的输出变量。许禄等 [ 28 28 ] 建议: http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257250&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257250&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257250&type=middle 式中： n 为样本总数， M 为网络总权重. M 的定义为: http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257252&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257252&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4257252&type=middle 式中： I 、 H 、 Q 分别为神经网络中输入层、隐含层以及输出层的神经元变量。这里的输入变量 I =7(分子结构参数)，输出变量 Q =1(撞击感度)，根据(3)式及(4)式推算 H 应取2，故采用7:2:1的神经网络结构。具体设置：隐含层传递函数采用tansig，输出层传递函数采用purelin，训练传递函数采用trainlm，学习初始速率为0.001，训练过程控制中的最大迭代次数采用软件默认的3 000次。 将36个硝基含能化合物的样本数据随机分为3组：训练集(每5个数据作为一组，取其中第1、3、4个数据)、测试集(第2个数据)、验证集(第5个数据)，用Matlab中的神经网络法进行研究建模，得到预测模型训练集的相关系数 r 1 =0.973 7、测试集的相关系数 r 2 =0.978 1、验证集的相关系数 r 3 =0.980 4，均与总相关系数 r t =0.975 5较接近；利用该模型计算得到硝基含能化合物撞击感度的预测值与实验值较吻合，两者之间的相对平均误差为4.03%，明显小于多元回归法建立模型的相对平均误差(9.57%)。因此，神经网络法的预测精度优于多元回归方法的预测精度。将神经网络法的预测值列于 表 2 表 2 中，预测值(Pre.)与实验值(Exp.)的关系见 图 2 图 2 。 图 2 图 2 中，预测值与实验值紧靠45°直线，说明两者的吻合度较好。 讨论 1 根据Minitab软件的最佳变量子集多元回归分析模型的稳定性结果可知，选用10种分子连接性指数中的 1 X 、 2 X 、 4 X 、 5 X 和46种电性拓扑状态指数中的 E 13 、 E 16 、 E 28 共7个参数作为变量，与撞击感度之间的相关性最优。分子连接性指数中的 1 X 、 2 X 、 4 X 和 5 X 分别代表 1、2、4、5阶路径指数，电性拓扑状态指数中的 E 13 、 E 16 、 E 28 分别代表的官能团为羟基、羰基、硝基。化合物的各种性质是分子微观结构的宏观反映，故同样在硝基含能化合物的空间结构中，硝基、氨基的数量多少和连接位置以及它们与甲基、羟基、羰基等基团之间相互作用的大小，均能对撞击感度产生影响，其中以硝基的数量以及连接时所处位置对撞击感度的影响最大。由于硝基具有致爆性、氨基具有致钝性 [ 29 29 ] ，所以当分子中硝基数量增加、氨基数量减少时，lg H 50 值降低，撞击感度增大；当硝基数量一定，羟基数量增大也会使lg H 50 降低，撞击感度增大。此外，分子空间结构对硝基含能化合物的撞击感度也有一定的影响，随着苯环上连接基团数目的增加，分子体积逐渐增大，使化合物钝性增大，lg H 50 值增大，撞击感度降低。因此，影响撞击感度的因素复杂，故不能通过单一的空间结构或电性结构数据给予表达。本研究通过将蕴含了空间拓扑结构信息的分子连接性指数和电性结构信息的电性拓扑状态指数进行融合，揭示了硝基含能化合物分子中基团之间的相互作用，能够充分反映撞击感度的变化规律。筛选的7个参数与撞击感度之间呈现非线性关系，利用构建的神经网络预测模型预测撞击感度的相对平均误差达到4.03%，结果令人满意，而且通过交叉检验，证明神经网络模型具有较好的稳定性和一定的预测能力。 利用该神经网络模型对36个硝基含能化合物的撞击感度进行预测( 表 2 表 2 中的预测值)，根据相对误差(Err.)看出，只有对2, 3, 4, 5-四硝基甲苯(No.11：2, 3, 4, 5-tetranitrotoluene)的预测值相对误差偏大，这可能与该分子苯环上紧密相邻的4个吸电子硝基与供电子的甲基邻接，相互作用影响较大，导致撞击感度的实验值相对偏小有关；此外，2, 4, 6-三硝基苯酚(No.9：chrysolepic acid)的预测相对误差也偏高，达到11.95%，这可能也与强给电子基团羟基的邻位和对位连接有3个硝基对其影响较大，使撞击感度偏小有关。因此，通过对分子结构与基团种类和数量进行合理的设计，可以指导合成既具有高度安全性又具有高爆能的硝基含能材料。 结论 1 基于邻接矩阵和空间结构，通过对硝基含能化合物的分子结构与撞击感度的关系进行分析，筛选到分子连接性指数和电性拓扑状态指数中的7种分子结构参数作为最佳变量，构建了理想的预测撞击感度的神经网络模型。根据上述研究结果得出结论如下： 1) 硝基含能化合物的7种分子结构参数 1 X 、 2 X 、 4 X 、 5 X 、 E 13 、 E 16 、 E 28 与撞击感度之间具有非线性关系，可建立良好的神经网络QSPR预测模型。模型总相关系数达到0.975 5，而且与训练集、测试集、验证集的3个相关系数均较吻合，通过交叉验证和雷达图检验，预测结果中不存在离域异常值，具有良好的稳定性和较强的预测能力； 2) 该神经网络模型能够反映硝基含能化合物分子的空间结构和电性结构信息，预测结果更为准确，相对平均误差(4.03%)优于多元回归法建立模型的相对平均误差(9.57%)。 参考文献 ELBASUNEY S, ZAKY M G, RADWAN M, et al . Stabilized super-thermite colloids: A new generation of advanced highly energetic materials[J]. Applied Surface Science , 2017, 419 :328-336. DOI: 10.1016/j.apsusc.2017.05.051. HOSS D J, KNEPPER R, HOTCHKISS P J, et al . An evaluation of complementary approaches to elucidate fundamental interfacial phenomena driving adhesion of energetic materials[J]. Journal of Colloid and Interface Science , 2016, 473 :28-33. DOI: 10.1016/j.jcis.2016.03.024. 胡荣祖, 赵凤起, 高红旭, 等.二(2, 2, 2-三硝基乙基)硝胺的热安全性和密度泛函理论研究[J].火炸药学报, 2013, 36 (1):9-16. DOI:10.14077/j.issn.1007-7812.2013.01.003. HU R Z, ZHAO F Q, GAO H X, et al . The thermal safety and a density functional theoretical study on bis (2, 2, 2-trinitroethyl) -nitramine (BTNNA)[J]. Chinese Journal of Explosives and Propellants , 2013, 36 (1):9-16. DOI:10.14077/j.issn.1007-7812.2013.01.003(Ch). 来蔚鹏, 尉涛, 廉鹏, 等.粒度对硝胺类含能化合物撞击感度影响的理论研究[J].计算机与应用化学, 2014, 31 (7):894-896. DOI:10.11719/com.app.chem20140729. LAI W P, YU T, LIAN P, et al . Theoretical study on effects of particle size on impact sensitivities of nitroamines energetic compounds[J]. Computers and Applied Chemistry , 2014, 31 (7):894-896. DOI:10.11719/com.app.chem20140729(Ch). 毕福强, 王玉, 王伯周, 等.多硝甲基氧化偶氮呋咱含能衍生物爆轰与安全性能理论研究[J].含能材料, 2016, 24 (11):1063-1069. DOI: 10.11943/j.issn.1006-9941.2016.11.005. BI F Q, WANG Y, WANG B Z, et al . Theoretically study on the detonation and safety properties of energetic derivatives based on polynitromethylazoxyfurazan[J]. Chinese Journal of Energetic Materials , 2016, 24 (11):1063-1069. DOI: 10.11943/j.issn.1006-9941.2016.11.005(Ch). MURAVYEV N V, MONOGAROV K A, BRAGIN A A, et al . HP-DSC study of energetic materials. Part Ⅰ. Overview of pressure influence on thermal beha- vior[J]. Thermochimica Acta , 2016, 631 :1-7. DOI: 10.1016/j.tca.2016.03.018. EDWARDS J, EYBL C, JOHNSON B. Correlation between sensitivity and approximated heats of detonation of several nitroamines using quantum mechanical me- thods[J]. International Journal of Quantum Chemistry , 2004, 100 (5):713-719. DOI: 10.1002/qua.20235. 袁方强, 蔡从中, 赵帅.用结构参数预测硝基类炸药的撞击感度[J].爆炸与冲击, 2013, 31 (1):79-84. DOI:10.11883/1001-1455(2013)01-0079-06. YUAN F Q, CAI C Z, ZHAO S. Prediction of impact sensitivity of nitro energetic compounds by using structural parameters[J]. Explosion and Shock Waves , 2013, 31 (1):79-84. DOI:10.11883/1001-1455(2013)01-0079-06(Ch). 王睿, 蒋军成, 潘勇.脂肪族硝基含能化合物撞击感度的QSPR研究[J].南京工业大学学报(自然科学版), 2011, 33 (3):15-21. DOI: 10.3969/j.issn.1671-7627.2011.03.004. WANG R, JIANG J C, PAN Y. Impact sensitivity analysis on aliphatic nitro energetic compounds by QSPR[J]. Journal of Nanjing University of Technology(Natural Science Edition) , 2011, 33 (3):15-21. DOI: 10.3969/j.issn.1671-7627.2011.03.004(Ch). KESHAVARZ M H, JAAFARI M. Investigation of the various structure parameters for predicting impact sensitivity of energetic molecules via artificial neural network[J]. Propellants, Explosives, Pyrotechnics , 2006, 31 (3):216 -225. DOI:10.1002/prep.200600030. KIM C K, CHO S G, LI J, et al . QSPR studies on impact sensitivities of high energy density molecules[J]. Bulletin of the Korean Chemical Society , 2011, 32 (12):4341-4346. DOI:https://doi.org/10.5012/bkcs.2011.32.12.4341. 堵锡华, 王超.碳纳米管吸附能力的神经网络理论模型[J].环境化学, 2016, 35 (7):1445-1451. DOI: 10.7524/j.issn.0254-6108.2016.07.2016012602. DU X H, WANG C. Research on the adsorption of carbon nanotubes to aromatic compounds by neural network[J]. Environmental Chemistry , 2016, 35 (7):1445-1451. DOI: 10.7524/j.issn.0254-6108.2016.07.2016012602(Ch). 张虹艳, 丁武.基于fisher线性判别和BP神经网络的电子鼻羊奶贮藏时间预测[J].中国食品学报, 2012, 12 (6):166-173. DOI:10.3969/j.issn.1009-7848.2012.06.025. ZHANG H Y, DING W. Classification of fresh goat milk at different storage temperature based on electronic nose by fisher[J]. Journal of Chinese Institute of Food Science and Technology , 2012, 12 (6):166-173. DOI:10.3969/j.issn.1009-7848.2012.06.025 (Ch). GOODARZI M, FREITAS M P, GHASEMI N. QSAR studies of bioactivities of 1-(azacyclyl)-3-arylsulfonyl-1H-pyrrolo[2, 3-b]pyridines as 5-HT 6 receptor ligands using physicochemical descriptors and MLR and ANN-modeling[J]. European Journal of Medicinal Chem istry , 2010, 45 (9):3911-3915. DOI: 10.1016/j.ejmech.2010.05.045. 段俊杰, 蒋美红, 王岚, 等.基于化学成分的烟叶质量神经网络预测[J].西南农业学报, 2012, 25 (1):48-53. DOI:10.3969/j.issn.1001-4829.2012.01.011. DUAN J J, JIANG M H, WANG L, et al . Prediction of tobacco quality by artificial neural network based on tobacco chemical constituents[J]. Southwest China Journal of Agricultural Sciences , 2012, 25 (1):48-53. DOI:10.3969/j.issn.1001-4829.2012.01.011 (Ch). WANG R, JANG J C, PAN Y. Prediction of impact sensitivity of nonheterocyclic nitroenergetic compounds using genetic algorithm and artificial neural network[J]. Journal of Energetic Materials , 2012, 30 (2):135-155. DOI: 10.1080/07370652.2010.550598. 钱博文, 陈利平, 陈网桦.基于遗传算法的人工神经网络预测多硝基化合物撞击感度[J].含能材料, 2016, 24 (7):644-650. DOI: 10.11943/j.issn.1006-9941.2016.07.004. QIAN B W, CHEN L P, CHEN W H. Prediction of impact sensitivity of polynitro compounds by artificial neural network based on the genetic algorithm[J]. Chinese Journal of Energetic Materials , 2016, 24 (7):644-650. DOI: 10.11943/j.issn.1006-9941.2016.07.004(Ch). 堵锡华.用新的路径定位指数和神经网络研究多溴联苯醚理化性质[J].化工学报, 2014, 65 (4):1169-1178. DOI: 10.3969/j.issn.0438-1157.2014.04.003. DU X H. Physicochemical property of polybrominated diphenyl ethers by new path location index and neural network[J]. CIESC Journal , 2014, 65 (4):1169-1178. DOI: 10.3969/j.issn.0438-1157.2014.04.003(Ch). DU X H, ZHUANG W C, SHI X Q, et al . Research on thermodynamic properties of polybrominated dipheny- lamine by neural network[J]. Chinese Journal of Chemical Physics , 2015, 28 (1):59-64. DOI:10.1063/1674-0068/28/cjcp1406109. 堵锡华, 吴琼, 田林, 等.预测氯代芳烃对戈卑鱼毒性的理论研究[J].分子科学学报, 2017, 33 (2):127-130. DOI: 10.13563/j.cnki.jmolsci.2017.02.007. DU X H, WU Q, TIAN L, et al . Theoretical studies on toxicity prediction of chlorinated aromatic hydrocarbons to guppy[J]. Journal of Molecular Science , 2017, 33 (2):127-130. DOI: 10.13563/j.cnki.jmolsci.2017.02.007(Ch). 舒远杰, 杜军良, 黄奕刚, 等.芳香族硝基化合物撞击感度的理论研究[J].绵阳师范学院学报, 2009, 28 (8):1-7. DOI: 10.16276/j.chki.cn51-1670/g.2009.08.001 SHU Y J, DU J L, HUANG Y G, et al . A Theoretical study on the impact sensitivity of organic nitro-compounds[J]. Journal of Mianyang Normal Uuniver- sity , 2009, 28 (8):1-7. DOI: 10.16276/j.chki.cn51-1670/g.2009.08.001(Ch). 胡黔楠, 梁逸曾, 王亚丽, 等.直观队列命名法的基本原理及其在矩阵与拓扑指数计算中的应用[J].计算机与应用化学, 2003, 20 (4):386-390. DOI:10.3969/j.issn.1001-4160.2003.04.020. HU Q N, LIANG Y Z, WANG Y L, et al . The basic principles of heuristic queue notation and its applications in calculation of matrix and topological index for topological graphs[J]. Computers and Applied Chemistry , 2003, 20 (4):386-390. DOI:10.3969/j.issn.1001-4160.2003.04.020(Ch). 张婷, 梁逸曾, 赵晨曦, 等.基于分子结构预测气相色谱程序升温保留指数[J].分析化学, 2006, 34 (11):1607-1610. DOI:10.3321/j.issn:0253-3820.2006.11.021. ZHANG T, LIANG Y Z, ZHAO C X, et al . Prediction of temperature-programmed retention indices from molecule structures[J]. Chinese Journal of Analytical Chemistry , 2006, 34 (11):1607-1610. DOI: 10.3321/j.issn:0253-3820.2006.11.021 (Ch). SAÍZ-URRA L, GONZÁLEZ M P, TEIJEIRA M. 2D-autocorrelation descriptors for predicting cytotoxi- city of naphthoquinone ester derivatives against oral human epidermoid carcinoma[J]. Bioorganic & Medicinal Chemistry , 2007, 15 (10): 3565-3571. DOI: 10.1016/j.bmc.2007.02.032. SWAMINATHAN S, FRUEY W, PLETCHER J, et al .Crystal structure of staphylococcal enterotoxin B, A superantigen[J]. Nature , 1992, 359 (6398): 801-806.DOI: 10.1038/359801a0. 刘海春, 卢帅, 冉挺, 等.基于分子对接和QSAR方法预测B-Raf Ⅱ型抑制剂活性[J].物理化学学报, 2015, 31 (11):2191-2206. DOI: 10.3866/PKU.WHXB 201510134. LIU H C, LU S, RAN T, et al . Accurate activity predictions of B-Raf type Ⅱ inhibitors via molecular docking and QSAR methods[J]. Acta Physico-Chimica Sinica , 2015, 31 (11):2191-2206. DOI: 10.3866/PKU.WHXB201510134(Ch). 冯长君, 冯惠, 李鸣建.阱基单胺氧化酶抑制剂抑制活性的定量构效关系[J].南京理工大学学报, 2012, 36 (4):711-716. DOI:10.3969/j.issn.1005-9830.2012.04.028. FENG C J, FENG H, LI M J. Quantitative structure-activity relationship of inhibited activity of hydrazinyl monoamine oxygenase inhibitor[J]. Journal of Nanjing University of Science and Technology , 2012, 36 (4):711-716. DOI:10.3969/j.issn.1005-9830.2012.04.028(Ch). 许禄, 邵学广.化学计量学方法[M].北京:科学出版社, 2004: 441. XU L, SHAO X G. Methods of Chemometrics [M]. Beijing:Science Press, 2004: 441(Ch). 王开明, 程新路, 唐钰, 等.硝基苯酚类炸药C-NO 2 键中点静电势最大值与其实验撞击感度关系的研究[J].四川大学学报(工程科学版), 2002, 34 (2):104-107. DOI: 10.3969/j.issn.1009-3087.2002.02.026. WANG K M, CHENG X L, TANG Y, et al . Investigation of relationships between impact sensitivities and the maxima of electrostatic potentials at the midpoints of C-NO 2 bonds in nitrophenols[J]. Journal of Sichuan University ( Engineering Science Edition ), 2002, 34 (2):104-107. DOI: 10.3969/j.issn.1009-3087.2002.02.026(Ch). 10.14188/j.1671-8836.2019.01.004 O64;TQ56 whdxxblxb-65-1-30 国家自然科学基金(21472071)，江苏省自然科学基金(BK20171168)，徐州市科技创新项目(KC16SG246) 2018-01-27 2019-02-24 2020-11-30 版权所有© 2019 《武汉大学学报(理学版)》编辑部 Copyright © 2019 Journal of Wuhan University(Natural Science Edition). All rights reserved. 2019 武汉大学学报(理学版) 1 65