关于难溶无机盐的溶解度与溶度积

难溶无机盐在水中的溶解过程是一个非常复杂的问题。本文对其溶解度S和溶度积K_ 从理论上进行了分析和探讨,指出在一般情况下二者之间并不存在必然的对应关系,只是在某些特殊情况下可以利用溶度积来对溶解度作些近似计算。本文还导出了在只考虑难溶无机盐M_aX_b中阴离子X~(n-)水解和溶液中离子强度影响不可忽略这两种情况下求解难溶无机盐在水中溶解度的两个基本方程式,对某些难溶无     

难溶硫化物在水中溶解度计算的探讨

在讲授难溶硫化物溶解度的计算时,由于其阴离子在纯水中发生水解作用,会改变溶液的pH,计算此类弱酸盐在水中的溶解度时,要考虑其阴离子水解的影响。现行教材大都分两种情况来讨论:若沉淀的溶解度非常小,则认为由S2-水解产生的[OH-]很小,此时水解后溶液的pH与水相同,可按pH=7时的酸效应来计算沉淀的溶解度;若沉淀的溶解度较大,则水解后溶液的pH大于7,此时按阴离子第一级水解已经完全,而第二级水解基本上没有发生,作近似计算[1]。本文提出了一种计算难溶硫化物在水中溶解度的新方法,即通过分段考虑S2-离子水解后水的pH,逆向推出与之对应的难溶硫化物的Ksp范围,并给出了溶解度大小的近似计算公式。     

难溶电解质的教学误区及建议

剖析难溶电解质教学的3个误区并提出建议,这3个误区是：（1）难溶电解质的Ksp越大,其溶解度越大;（2）溶解度大的沉淀能转化为溶解度小的沉淀,溶解度小的沉淀不能转化为溶解度大的沉淀;（3）Ksp大的沉淀能转化为Ksp小的沉淀,Ksp小的沉淀不能转化为Ksp大的沉淀。     

活度系数法测定A2B型难溶盐的溶度积——以Ag2SO4为例

实验假设水溶液中Ag+和SO42－的浓度非常低时,其活度无论处于同一体系还是在不同体系均相同。依此设计原电池,使该原电池的电池反应为Ag2SO4(s)→2Ag+(aq)+SO42－(aq),采用补偿法测量一定温度下此原电池中AgNO3溶液浓度和K2SO4溶液浓度发生变化时的电池电动势E。依据能斯特方程和Debye-Huckel极限公式,推导出原电池标准电动势E?与电解质的平均活度系数γ±及溶液浓度的关系,用外推法作图得到此电池反应的标准电动势E?。由平衡常数与原电池标准电动势的关系,得到Ag2SO4的溶度积Ksp(Ag2SO4)。     

微机处理副反应存在下不同类型难溶化合物的溶解度

微机处理副反应存在下不同类型难溶化合物的溶解度沙岗，余嘉政，黄干初（湖南医科大学化学教研室长沙４１００７８）进行沉淀滴定和重量分析时，要求沉淀反应趋于完全。反应完全的程度，一般可根据沉淀的溶解度来衡量。溶解度越小，反应越完全，测定的误差也越小。在定量...     

用迭代法计算难溶电解质的溶解度

借鉴数学中求方程根的二分迭代法精确计算难溶电解质在水解、酸化、络合后的溶解度,在估计出[H+]的大致范围后,再选定迭代精度。当正电荷总浓度与负电荷总浓度之相对偏差小于迭代精度时,即可认为正电荷总浓度与负电荷总浓度相等,计算结束,得到结果。本方法能计算出传统方法无法计算的化合物的溶解度、pH及水解产物的浓度。     

难溶电解质的溶解平衡学习问题浅析

基于学生在学习难溶电解质溶解平衡中的问题,从实际案例出发深入分析了问题产生的原因,通过对“难溶电解质溶解平衡”知识在现象、概念、方法、价值4个水平和事实性、概念性、方法性和价值性4个层面的解读,提出了通过实验理解难溶电解质的溶解平衡、依据平衡常数解读溶液中的定量关系、建构浓度变化对平衡影响的思维模式这3种解决学生学习问题的具体教学策略。     

难溶电解质溶解平衡的学习问题的解决策略

基于学生在学习难溶电解质溶解平衡中的问题,从实际案例出发深入分析了问题产生的原因,通过对“难溶电解质溶解平衡”知识在现象、概念、方法、价值4个水平和事实性、概念性、方法性和价值性4个层面的解读,提出了通过实验理解难溶电解质的溶解平衡、依据平衡常数解读溶液中的定量关系、建构浓度变化对平衡影响的思维模式这3种解决学生学习问题的具体教学策略.     

基于改进排序遗传算法的径向基函数神经网络色谱峰解析

构造了以塔板模型为基函数的径向函数神经网络（P－RBFNN），为了使P－RBFNN具有结构重组能力，又在网络学习算法中引入鲁棒（Rubust)和随机全局最优的两阶段排序遗传算法：结构学习和进化。P－RBFNN结合改进的排序遗传算法很适合组分数未知的色谱（含重叠）峰解析。     

基于遗传算法的神经网络为苯乙酰胺类农药构效关系建模的研究

探讨用遗传算法训练神经网络,为苯乙酰胺类化合物的QSAR建模,效果良好,神经网络可以反映复杂的构效关系,而引入遗传算法又有助于多层前传网在训练过程中跳出局部最小点,使收敛速度大大提高,并在预报精度上有显著改善.     

Parsimonious Optimization of Multitask Neural Network Hyperparameters

Neural networks are rapidly gaining popularity in chemical modeling and Quantitative Structure–Activity Relationship (QSAR) thanks to their ability to handle multitask problems. However, outcomes of neural networks depend on the tuning of several hyperparameters, whose small variations can often strongly affect their performance. Hence, optimization is a fundamental step in training neural networks although, in many cases, it can be very expensive from a computational point of view. In this study, we compared four of the most widely used approaches for tuning hyperparameters, namely, grid search, random search, tree-structured Parzen estimator, and genetic algorithms on three multitask QSAR datasets. We mainly focused on parsimonious optimization and thus not only on the performance of neural networks, but also the computational time that was taken into account. Furthermore, since the optimization approaches do not directly provide information about the influence of hyperparameters, we applied experimental design strategies to determine their effects on the neural network performance. We found that genetic algorithms, tree-structured Parzen estimator, and random search require on average 0.08% of the hours required by grid search; in addition, tree-structured Parzen estimator and genetic algorithms provide better results than random search.     

人工神经网络用于酸性染料的分类

提出用Ｅｘｔｅｎｄｅｄ Ｄｅｌｔａ－Ｂａｒ－Ｄｅｌｔａ网络对酸性偶氮染料进行分类，网络结构为４－６－５，并对网络结构进行了优化，一次分类结果与采用ＧＣＥＤＭ逐次分类的结果很好地吻合，采用ＥＤＢＤ网络分类，比采用ＧＣＥＤＭ分类法简单，快速、准确。     

人工神经网络用于预测离子交换分配系数

用前向神经和扩展的ｄｅｌｔａ－ｂａｒ－ｄｅｌｔａ算法对主族特征价阳离子的离子交换分配系数（Ｋｄ）进行了预测，对网络结构，学习次数进行了优化并研究了学习集的大小，１ｎＫｄ的均方根偏差的（ＲＭＳ）小于７％。     

人工神经网络在溶解度预测方面的应用

溶解度作为一项重要的物化指标,一直是化学学科的研究重点。然而,通过实验测量获得数据耗时费力,因此,科研人员建立了多种理论方法来进行估算,其中,人工神经网络因其能够关联复杂的多变量情况而受到广泛关注。本文综述了人工神经网络在物质溶解度预测方面的应用,介绍了应用最广泛的3种神经网络(BP神经网络、小波神经网络、径向基神经网络)的模型结构、预测方法和预测优势,探讨了神经网络的不足以及改进方法。文章最后对神经网络在物质溶解度预测方面的发展前景进行了展望。与其他方法相比,人工神经网络技术在物质溶解度预测方面具有预测结果精确度高、操作简单等特点,具有广阔的应用前景,但输入变量选择、隐含层节点数确定、避免局部最优等问题还需逐步建立系统的理论指导。     

基于人工神经网络的透射水体亚硝酸盐含量模拟估计

亚硝酸盐是水体的重要测试指标,对水体质量的评估有着重要意义。本文采用透射高光谱结合人工神经网络建立水体亚硝酸盐含量估算模型。首先采用试剂配制10种浓度的亚硝酸氮标准溶液(0.02,0.04,0.06,0.08,0.10,0.12,0.14,0.16,0.18和0.20),并使用OCEAN-HDX-XR微型光纤光谱仪扫描10次各浓度亚硝酸盐溶液在181.1~1023.1范围内的透射光谱,取平均值作为各浓度亚硝酸盐溶液原始透射光谱,分别使用最大最小均一化(MMN)、标准正态变化(SNV)、多元散射校正(MSC)、以及二阶差分(SOD)四种光谱预处理方法,并结合ANN方法建立水体亚硝酸盐含量估算模型,通过比较模型的精度来选择最优的模型进行水体亚硝酸盐含量的估计。结果显示,基于二阶差分预处理下的BP-ANN神经网络预测模型中的均方根误差RMSE为0.032367、平均绝对误差MAE为0.016895、决定系数R2^为0.987403,与二次有理高斯过程回归(QR-GPR)和二次支持向量机(Q-SVM)预测模型相比,该模型的拟合效果更好,精确度更高。基于以上实验结果,提出了BP-ANN高光谱水质亚硝酸盐参数的反演方法,为水质亚硝酸盐参数动态检测提供了新方法。     

Simultaneous Determination of Gold and Platinum by Double Artificial Neural Network Analysis with Flow-injection

A highly sensitive double artificial neural network （DANN） analysis with flow-injection chemiluminescence （FI-CL） has been developed to simultaneously determine the trace amounts of the gold and platinum in simulated mixed samples, without the boring process.     

油脂降解培养基优化的遗传算法实验研究

我们运用遗传算法,首次对利用热带假丝酵母降解油脂的培养基优化问题进行了研究。通过5代实验完成了50个实验样本、6种培养基成分、64个浓度水平的优化任务。按照优化后的培养基组成,热带假丝酵母降解油脂的降解率为95．4％,比正交设计法提高了7．63％。实验结果表明：利用遗传算法可优化培养基成分含量,取得更好的效果;遗传算法是一种优于单因素试验法和正交设计法的新型、高效的培养基优化方法。     

Co-crystal Prediction by Artificial Neural Networks**

A significant amount of attention has been given to the design and synthesis of co-crystals by both industry and academia because of its potential to change a molecule's physicochemical properties. Yet, difficulties arise when searching for adequate combinations of molecules (or coformers) to form co-crystals, hampering the efficient exploration of the target's solid-state landscape. This paper reports on the application of a data-driven co-crystal prediction method based on two types of artificial neural network models and co-crystal data present in the Cambridge Structural Database. The models accept pairs of coformers and predict whether a co-crystal is likely to form. By combining the output of multiple models of both types, our approach shows to have excellent performance on the proposed co-crystal training and validation sets, and has an estimated accuracy of 80 % for molecules for which previous co-crystallization data is unavailable.     

基于近红外光谱的人工神经网络研究STR基因座分型方法

以D16S539基因座的3种(9-9、9-11、11-11)基因型为例,设计引物扩增包含该多态性位点的1段DNA片段,获得了3种基因型建模样本各50个.基于近红外光谱(NIRS)结合误差反向传播人工神经网络(BPANN)建立了测定短串联重复序列(STR)基因型的判别模型,所建立的判别模型的校正均方根残差和预测集均方根误差分别为0.082 5、0.072 5,预测准确率均为100%.该方法不需任何前处理,只需一步PCR扩增和NIRS检测即可实现STR基因型判别,具有简单、快速、低成本等优点.