萃取精馏溶剂结构与其环境健康安全潜在影响构效关系的分子设计

Solvent screening is crucial to the design of extractive distillation processes. From the perspective of sustainable development, in selecting extractant, one should not only consider the separation performance and economic benefits of candidate solvents, but also their potential social and ecological impacts. This project aims to reveal the rule between solvent structures and potential environmental、health and safety (EHS) impact, to build a structure-activity coefficients database by computing EHS potential impact criteria values and referring to relevant database. Applying multi-objective and multi-scale strategies, this research attempts to build predictive mathematical models for potential EHS impact. The achievements in this project will provide theoretical supports and basic data for sustainable solvent design in extractive distillation and related processes, and promote the application of computer-aided simulation in chemical engineering.

萃取剂的选择是萃取精馏设计的关键，从可持续发展的角度，在进行萃取剂选择时，不仅要考虑候选溶剂的分离性能和经济效益，同时也要考虑这些溶剂对生态和社会的潜在影响。本项目以揭示萃取精馏过程萃取剂结构与环境健康安全(Environmental health and safety, EHS)潜在影响性能之间定量构效关系规律为研究目的，通过对EHS潜在影响特性进行预测计算，结合相关数据库构建溶剂结构-EHS潜在影响性能指标构效关系系数的数据库。采用多目标多尺度策略构建定量化具有预测能力的EHS潜在影响模型。为萃取精馏过程及其他相关过程符合可持续发展的溶剂分子设计提供理论支撑和基础数据，同时推动计算机辅助在化工中的应用。

萃取剂的选择是萃取精馏设计的关键，从可持续发展的角度，在进行萃取剂选择时，不仅要考虑候选溶剂的分离性能和经济效益，同时也要考虑这些溶剂对生态和社会的潜在影响。本项目以揭示萃取精馏过程萃取剂结构与环境健康安全(Environmental health and safety, EHS)潜在影响性能之间定量构效关系规律为研究目的,建立了有机物基础物性与分子结构数据库，开发了基于RDKit的分子结构表达式的解析程序，将分子结构转换为可遍历的树形数据结构。构建基于树型长短记忆（Tree-LSTM）深度学习神经网络，将表示分子结构的树形数据结构矢量化，并与前馈神经网络相结合，实现了物性数据直接与分子结构的二维拓扑形状进行智能化关联。基于深度学习神经网络，采用高性能计算平台实现了对分子结构特征的自动化解析和识别，并智能捕获了分子结构与物质宏观性质之间的关系，为复杂的分离过程构建了用于开发经济高效绿色溶剂的智能化可预测模型，对可持续化工分离过程的开发及节能减排起到了较大的推动作用。运用深度学习技术成功地关联了上万种物质的性质数据，证明了深度学习在关联大规模数据上的潜力。实现了在无人工干预下的分子结构信息和构效关系的计算机智能学习与训练，并且所提出的深度学习神经网络还具备了一定的同分异构体分辨能力。为萃取精馏过程及其他相关过程符合可持续发展的溶剂分子设计提供理论支撑和基础数据，同时推动计算机辅助方法在化工中的应用。