Vorhersage der Glasübergangstemperaturen aus der Struktur von Monomeren und Wiederholungseinheiten mithilfe von computergestützten neuronalen Netzwerken

Quantitative Struktur-Eigenschafts-Beziehungen (QSPR) werden entwickelt, um Glasübergangstemperaturen mit chemischen Strukturen zu korrelieren. Sowohl Monomer- als auch Wiederholungseinheitsstrukturen werden verwendet, um mehrere QSPR-Modelle für die Teile 1 und 2 dieser Studie zu erstellen. Die Modelle werden unter Verwendung numerischer Deskriptoren entwickelt, die wichtige Informationen über die chemische Struktur (topologisch, elektronisch und geometrisch) kodieren. Eine multiple lineare Regressionsanalyse (MLRA) und computergestützte neuronale Netzwerke (CNNs) werden verwendet, um die Modelle nach der Deskriptorgenerierung zu erstellen. Optimierungsroutinen (simuliertes Abkühlen und genetischer Algorithmus) werden genutzt, um informationsreiche Teilmengen von Deskriptoren zur Vorhersage zu finden. Ein 10-Deskriptor-CNN-Modell erwies sich als optimal zur Vorhersage von T(g)-Werten mithilfe der Monomerstruktur (Teil 1) für 165 Polymere. Ein Ausschuss von 10 CNNs erzeugte einen mittleren quadratischen Fehler (rms) im Trainingssatz von 10,1 K (r² = 0,98) und einen mittleren quadratischen Fehler (rms) im Vorhersagesatz von 21,7 K (r² = 0,92). Ein 11-Deskriptor-CNN-Modell wurde für 251 Polymere unter Verwendung der Wiederholungseinheitsstruktur (Teil 2) entwickelt. Ein Ausschuss von CNNs erzeugte einen mittleren quadratischen Fehler (rms) im Trainingssatz von 21,1 K (r² = 0,96) und einen mittleren quadratischen Fehler (rms) im Vorhersagesatz von 21,9 K (r² = 0,96).