基于GC-MS的喷气燃料组成-性质定量关系研究

利用气相色谱-质谱(GC-MS)联用技术对67个喷气燃料进行分子水平表征,并按9类烃族组成(正构烷烃、异构烷烃、单环烷烃、多环烷烃、烷基苯、茚满及四氢萘、萘类及茚类、苊及苊烯类、苯并噻吩及二苯并噻吩)和13类碳数(C_(7)~C _(19))分类,形成一系列组成矩阵。测定了7类理化性质,包括密度、热值、闪点、黏度、烟点、苯胺点和馏程,定义了各碳数下不同烃族的代表性化合物和平均性质(密度、热值、闪点和黏度)。采用多元线性回归(MLR)、偏最小二乘(PLS)和修正加权平均(MWA)3种算法建立了喷气燃料组成-性质定量模型。综合比较,组成与密度、热值、闪点、烟点和苯胺点的定量模型均基于PLS预测效果更优,对应的均方根误差(RMSE)分别为0.0008 g/cm^(3)、0.0302 MJ/kg、1.3418℃、6.01×10^(-5 )mm、0.7293℃;组成与黏度的定量模型基于MWA时预测效果更优,其RMSE为0.0333 mm^(2)/s。

高分子材料大数据研究:共性基础、进展及挑战

介绍了作为一种新的认知范式,大数据研究常见和前沿算法及其应用在高分子材料研究中的共性基础,围绕材料的基础与应用研究聚焦的定量组成-工艺-结构-性质-性能关系,剖析了该关系中的要素和可数值化、定量化的资源和途径.进而系统介绍近4年在高分子材料的合成与自组装、机械热性质、光电声磁性质、分离性质和加工性质等方面大数据研究的一些典型进展,梳理了当前高分子材料大数据研究的难题和挑战,对这一新兴快速发展方向和一段时间内可能的突破进行了展望.