聚丙烯酸酯的玻璃化温度的定量结构性质相关研究

提出了高分子的侧基顺拉模型 ,认为侧基的空间效应主要来源于侧基的轴向横截面积 .与侧基的轴向横截面积密切相关的是侧基的碳链分支数 .直接采用侧基碳链分支数作为侧基的空间效应参数 ,对 13种聚丙烯酸酯和 9种聚甲基丙烯酸酯的玻璃化温度进行了定量结构 性质相关研究 ,得到了良好的三参数模型 ,对聚丙烯酸酯和聚甲基丙烯酸酯的玻璃化温度分别进行回归分析 ,相关系数R2 =0 989(s =3 8K)和R2 =0 993 (s =4 8K) .该模型对 2 2种聚丙烯酸酯和聚甲基丙烯酸酯的合并计算的结果是R2 =0 980 (s =8 3K) .建立的模型参数计算简便 ,模型的稳定性和适应性较好 ,所有模型的标准误差均小于或接近实验误差 .     

偏最小二乘和量子化学参数预测酯类物质的闪点

基于化合物定量结构与性质的关系,对其中88个酯类化合物进行了B3LYP/6-31G*水平上的结构优化,并在优化结构基础上进行了量子化学结构参数的计算。应用偏最小二乘(PLS)方法对酯类化合物闪点温度这个理化性质与量子化学参数进行了关联。结果表明,分子热力学自由能(ΔG)结合偶极距(μ)可以很好地表达酯类化合物闪点温度与量子化学参数间的定量关系。所建立的QSPR模型具有较强的稳健性和预测能力。     

槲皮素水化性质的量子化学研究

采用密度泛函理论对槲皮素不同羟基位置上的水合物及其水合阴离子进行深入分析,获得槲皮素水合物的优化几何结构信息、与水分子的络合反应能量、NBO电荷、前线轨道能量及图像.对槲皮素各个羟基位点的水化性质进行解析,并从分子水平对其内在成因进行了阐释,希望对槲皮素的水化性质的研究及其衍生物的开发奠定理论支撑.     

用量子化学参数研究烯烃聚合物定量构效关系

以密度泛函理论(DFT)方法所得的烯烃聚合物结构单元的物性参数如总能量E_t、内能E_in、等容比热C_V、熵S、四极矩Q_ii、偶极矩 µ、平均极化率α及原子最大负电荷q^－等8个量子化学参数, 用逐步回归法分别建立了这些参数与摩尔体积V_{298 K}, 摩尔等张体积P_s、摩尔吸收常数色散分量F_d、摩尔折射率R_LL、摩尔抗磁磁化率χ、摩尔粘度温度函数H_vsum、摩尔Rao函数U_R及摩尔Hartmann函数U_H的结构-性能定量关系 (QSPR) 模型, 其测试集的决定系数R²分别是: V_{298 K} 为0.989, P_s为0.982, F_d为0.975, R_LL为0.997, χ为0.988, H_vsum为0.914, U_R为0.988及U_H为0.972. 结果表明, 用这些量子化学参数所建立的聚合物QSPR模型能用于聚合物性能的预测.     

量化参数对脂肪醇的Tb,-1gSW,1gKOW的QSPR研究

利用C-O键上C原子电荷Qc和分子所含C原子个数Ⅳ作为醇分子结构描述符对其沸点巩、在水中的溶解度Sw及辛醇／水分配系数（k）进行了QSPR研究．Qc的计算采用Chemoffice 8．0中的MOPAC-AM1量子化学法,容易获取,它表征了醇分子同分异构体之间的结构差异．多元回归分析结果表明醇分子的Tb,-lg Sw,lgKow都随分子所含C原子数Ⅳ的增加而增加,随着C-O键上C原子电荷Qc的增大而减小,复相关系数均在0．99以上．MOPAC-AM1方法计算的量化参数Qc用于与脂肪醇的水溶解性关联优于分子连接性指数．     

石油胶质结构性质的量子化学研究

采用量子化学AM1方法对石油胶质进行了优化计算,得到石油胶质单层结构SG、双层结构DG和三层结构TG的优化构型和分子间作用能。结果表明,石油胶质的稠环芳烃和脂环部分大体为平面结构,支链部分也伸展在平面上。分子中稠环、脂环和侧链中的C—C键长均分别比单独苯环、脂肪环和烷烃的C—C键短。侧链中的C—C键比芳环和脂环的C—C键弱,在催化剂的作用下将优先裂解。重叠形成DG和TG后,键长、键角和电荷略有变化。胶质分子的极性基团间存在氢键作用,DG和TG分子间的作用能分别为－22.8416kJ/mol和－43.8455kJ/mol。双层胶质DG和三层胶质TG结构的体积较大,难以扩散到分子筛催化剂的孔道内。     

新型聚丙烯酸酯类柴油降凝剂分子模型的建立及验证

在前期工作得出的正构烷烃含量与浊点、冷滤点、凝点的定量关系模型基础上，选择柴油降凝剂的基团对柴油降凝剂分子结构进行了设计，得出了设计模型。结果表明，将含氮基团引入柴油降凝剂可以显著提高柴油降凝剂的性能。根据设计模型合成了一系列聚丙烯酸单酯和混合酯柴油降凝剂，并通过对柴油降凝剂的性能测试结果和自行设计的计算程序对设计模型进行了验证，结果表明，从柴油正构烷烃含量对柴油降凝剂的配比进行设计是可行的。     

自由基共聚合中单体Q-e活性参数预测

Q-e方程在解释自由基共聚合中单体的活性时相当有效.为得到可靠的Q,e活性参数结构-性能定量关系(QSPR)模型,采用密度泛函理论(DFT)UB3LYP方法在6-31G(d)基组水平上对60种结构为CH3C1H2—C2HR3·自由基(C1H2=C2HR3+CH3·→CH3C1H2—C2HR3·)进行了计算.两组包含原子电荷及前线分子轨道能级的量子化学参数分别用来建立Q,e活性参数的人工神经网络(ANN)模型.通过试差法调整网络参数得到最佳ANN模型,两者均为3-5-1结构.参数Q,e预测值与实验值接近,测试集相关系数分别为0.990(rms=0.269)和0.943(rms=0.331).而且Q,e模型的外部验证系数qe2xt分别为0.980和0.873,这结果显示两模型具有好的推广预测能力.因此本工作介绍的ANN模型是精确而可靠的;从自由基CH3C1H2—C2HR3·结构获得参数预测Q及e值是可行的.     

鬼臼毒素衍生物的量子化学研究

对若干个鬼臼毒素衍生物进行了量子化学计算,根据其电子结构及有关分析结果,结合它们对体外L1210白血病细胞生长的抑制活性(IC50),讨论了它们的活性部位及构效关系,发现具有较高活性的化合物分子中有三个重要部位：C4位为有效的修饰位点;B环及E环是重要的活性部位,其中B环是接受电子的主要活性部位,其正电性越高,活性越强;E环及其4'位酚羟基氧的负电性越高,活性越强。     

杂氮硼三环的量子化学方法研究

杂氮M三环类化合物(Atranes)是一类存在分子内部弱相互作用的化合物,它不仅具有特殊的笼状结构和奇特的物理化学性质,而且有很多具有特别的生物化学活性,同时近期研究发现这些化合物及其衍生物具有很多新的性质和用途[1～3].由于这类体系所含原子数多 ,从头进行计算工作量大,故此选择合适的计算方法和适当的基组以便在保证计算精度同时 ,尽量减小耗时就显得十分重要.本文分别采用不同的方法和基组对杂氮硼三环(图1)进行构型优化和单点计算,对计算结果进行分析、比较,并从中优选出计算结果与紫外光电子能谱实验吻合较好且计算量又不是很大的计算方法和基组.     

高聚物玻璃化转变温度和分子参数的关系 Ⅱ.分子量对玻璃化转变温度的影响

根据前文提出的理论模型,本文推导出下述表征高聚物数均分子量(M_n)与玻璃化转变温度T_8关系的理论公式: T_g=T_g~∞-K_g/M_n K_g=T_g~∞·σ~2(T_g)·M_u十几种高聚物的K_g理论计算位能较好地和实验值吻合。应用理论关系式具体计算了聚苯乙烯、聚氯乙烯、聚二甲基硅氧烷和聚α-甲基苯乙烯的T_g随分子量的变化,其结果是令人满意的。     

Thermodynamics of Proton Association of Polyacrylates and Polymethacrylates in NaCl(aq)

Enthalpies of protonation of polyacrylates and polymethacrylates with different molecular weights in aqueous NaCl solutions, 0 I 2 mol-L^–1 were determined by titration calorimetry at 25°C. H values are dependent on both the neutralization degree, , and the molecular weight of polyacids. T S of protonation was obtained using pK values already reported and the present H results. Empirical equations for the dependence on I, , and molecular weight are reported for both H and T S.     

A NEURAL NETWORK STUDY ON GLASS TRANSITION TEMPERATURE OF POLYMERS

In this paper, an atificial neural network model is adopted to study the glass transition temperature of polymers. Inour artificial neural networks, the input nodes are the characteristic ratio C_∞, the average molecular weigh M_e betweenentanglement points and the molecular weigh M_(mon) of repeating unit. The output node is the glass transition temperature T_g,and the number of the hidden layer is 6. We found that the artificial neural network simulations are accurate in predicting theoutcome for polymers for which it is not trained. The maximum relative error for predicting of the glass transitiontemperature is 3.47%, and the overall average error is only 2.27%. Artificial neural networks may provide some new ideas toinvestigate other properties of the polymers.