石油馏分中含氮化合物分子结构与溶解度的构效关系研究

氮化合物溶解性是石油脱氮研究涉及的关键问题，本研究提出定量构效关系（QSPR）方法预测氮化合物在不同pH水溶液中的溶解度。通过分析氮化合物在溶解过程中分子结构及数量变化，提出"平均分子结构参数"表达这类动态过程的化合物分子结构。应用遗传算法优化氮化合物分子结构参数，提取对溶解度影响重要、独立性强、能充分表达分子结构特点并应用尽可能少的参数作为优化子集表达分子结构。应用人工神经元网络多层前传网构建非线性模型，以全面、动态的研究方法解决石油中有机氮化合物在不同pH水溶液中溶解度的预测问题。

石油中极微量的氮化合物即可引起工艺中的催化剂中毒，氮化物还影响油品色泽和稳定性。不仅如此，石油中氮化物，尤其是氮杂环化合物(NHC)是难降解，毒性大，不易代谢破坏的有机物。一旦进入环境，污染面广且易被水体、土壤中的物质吸附沉积，严重破坏环境。而石油脱氮及NHC在环境中的迁移积累均涉及NHC溶解性，但溶解度测定不仅耗时耗力，且常因缺少标准品而不能直接测定。基于NHC溶解度的重要性，开展石油中NHC分子结构与溶解度定量构效关系研究，预测NHC溶解度，可为石油脱氮、废水处理及环境生态风险评估等研究提供基础数据。.研究采用定量构效关系方法构建NHC溶解度预测模型，首先建立了不同缓冲体系中NHC溶解度的系统测试方法，获得样本化合物在纯水和不同pH缓冲液中的溶解度数据。应用Dragon软件计算样本NHC的相关分子结构参数(描述符), 每个NHC总得到1664个描述符，以样本化合物在纯水中溶解度数据，采用遗传-多元线性回归法(GA-MLR)优选描述符，确定BIC4、RDF010v、Mor29e、Mor14v、R6m 5个描述符表达NHC。以所选5个描述符为样本化合物输入信号，溶解度为输出信号，构建人工神经元网络模型预测纯水中NHC溶解度。模型预测结果的平均相对偏差小于4.0%。在应用人工神经元网络技术预测不同pH中NHC溶解度过程中，盐效应影响NHC溶解度的研究结果明确了在实验的缓冲溶液浓度范围内缓冲盐对NHC溶解度影响可忽略。因而使用样本化合物在缓冲液中的溶解度为基础数据，构建三层前馈人工神经元网络同样可满意地预测NHC在不同pH中的溶解度。与经典Henderson-Haselbalch (HH)法比较，在引入“氮原子偏电荷”(QN)参数作为NHC分子结构描述符后，ANN模型预测不同pH水溶液中NHC溶解度的相对偏差为6.9%，明显小于HH法的36.9%。.项目取得主要成果包括①建立缓冲液中NHC溶解度的系统测试法，获得样本化合物在纯水和不同pH缓冲液中近100个还未见报道的溶解度数据；②建立起比传统法更优的定量描述NHC盐析常数模型；③确定了咔唑与乙基咔唑催化加氢反应动力学参数和机理(该两化合物是石油馏分中较难处理的代表性NHC)；④定量描述NHC分子结构与溶解度关系。目前已完成研究论文四篇（其中两篇已录用），构建两个数学模型分别预测纯水和不同pH溶液中NHC溶解度。