2011年：MLR与RBF-ANN建模分析25种持久性有机污染物飞灰-水分配系数

本研究论文于2011年发表在《西安石油大学学报》(自然科学版)第26卷第5期，主要探讨了25种持久性有机污染物(Persistent Organic Pollutants, POPs)在飞灰-水分配系数(Ksc)方面的定量结构性质关系(QSPR)。研究者采用了两种统计建模方法，即多元线性回归(MLR)和径向基函数人工神经网络(RBF-ANN)，来建立这两种不同模型。 首先，通过多元线性回归模型，研究者对POP飞灰-水分配系数的结构-性质关系进行了建模。这种方法的优点在于其直观且易于解释，但预测精度稍逊，模型预测的lgKsc均方相对误差为6.31%，所有样本lgKsc的预测值与实际值之间的决定系数(R2)达到了0.8233，显示了一定的预测能力。 接着，采用径向基函数人工神经网络(RBF-ANN)作为另一种建模手段，该模型以其非线性和自适应性强的特点进行分析。RBF-ANN模型的预测效果显著优于MLR，预测的lgKsc均方相对误差降低至3.03%，决定系数提升到了0.9623，这意味着RBF-ANN模型在预测持久性有机污染物飞灰-水分配系数方面具有更高的准确性。 论文的研究结果显示，多元线性回归和径向基函数人工神经网络都适用于建立POP飞灰-水分配系数的QSPR模型，但RBF-ANN模型在预测精度上具有优势。这一发现对于理解和预测环境污染物的行为，特别是在处理废弃物管理、环境风险评估以及政策制定等方面具有重要意义，因为它可以帮助科学家更准确地预测污染物在不同环境介质中的分布和迁移，从而采取有效的污染防控措施。 此外，研究还强调了POP的特性，包括它们的持久性、生物积累性、半挥发性和高毒性，这些特性使得它们能在大气中远距离传播并对生态系统和人类健康构成威胁。因此，了解这些污染物的分配系数对于环境保护和公共卫生至关重要。 关键词：定量结构性质关系、飞灰-水分配系数、持久性有机污染物、径向基函数人工神经网络、多元线性回归。整个研究通过严谨的数据分析和模型验证，为环保科学领域提供了有价值的方法论支持。