[发明专利]一种煤分子官能团生成方法

说明书

本发明公开了一种煤分子官能团生成方法，包括批量导入煤分子平均结构的第一模型；去除第一模型中的氢原子，获得第二模型；基于第二模型，判断第二模型的分子量是否大于20；如果分子量大于20，则进行煤分子子官能团的分割，聚合煤分子的所有子官能团，结束煤分子官能团生成方法；如果分子量小于或者等于20，则结束煤分子官能团生成方法。本发明所述的煤分子官能团生成方法，基于已有的典型煤分子平均结构模型，并对其进行系统化分割，以得到众多片段较小的子官能团结构，形成煤分子的子官能团结构的集合，便于后续利用基于图神经网络的机器学习方法对规模较大的特定品类的煤的平均分子模型进行生成时对子官能团进行选择。

技术领域

本发明涉及煤化工技术领域，尤其涉及一种煤分子官能团生成方法。

背景技术

作为一种化石燃料，煤的形成是古代植物在腐败分解之前就被埋在地底，转化成泥炭，然后转化成褐煤，然后为次烟煤，之后烟煤，最后是无烟煤。煤产生之碳氢化合物经过地壳运动空气的压力和温度条件下作用，产生的碳化化石矿物，也就是说煤炭就是植物化石，多半来自于石炭纪至二叠纪时期的煤炭森林。这涉及了很长时期的生物和地质过程。正是由于煤的形成过程周期较为复杂，其组分也并非均匀单一的形式，而是由碳、氮、氧、氢、硫等元素形成的复杂化合物的组合。在不同种类的煤中，组分及诸如吸附性的物理化学性质方面存在一定的差异，为便于研究表征不同种类的煤分子层面组成，目前已有一些人为构建的不同种类的煤分子结构模型，这样的煤分子结构模型可以在一定程度上模拟真实的煤的性质，因而可以视为不同种类的煤的分子层面的等效模型。

这些煤分子三维结构模型分子量一般在几十至上千，相对于真实的煤平均分子模型而言，由于人为构建的煤分子模型分子量较小，结构也较为简单，因而这样的煤分子三维模型多数仅可以粗略地模型煤的性质，例如煤的微观曲率等。由于人为构建煤的大分子模型时既涉及到煤分子性质研究方面的知识，也涉及到化学分子构成方面的知识，因此需要较多的领域专业的积累，由此导致构建煤的分子结构模型耗时较长，并且较为困难。

近年来，随着机器学习方法的兴起，研究人员们开始尝试利用机器学习方法进行分子模型的构建及性质预测，用于生成新的药物分子、筛选的药物分子等环节。在这一过程中，人们通常假定药物分子的特定性质或者性质的组合依赖于分子结构中某些官能团以及官能团的组合，简而言之，这种假设可表述为分子子结构组成决定了整个分子的性质。根据这样的假定，众多研究采用基于SMILES字符串的方式进行特定的药物分子的性质预测、结构组分生成、结构组分优化等任务，然而基于SMILES字符串进行分子表征时，虽然其具备嵌入表示的优势，但其字符串中临近的字符在分子空间结构中并不一定是临近的，因而其仅利用了一部分的官能团，而对于官能团的组合形式构成的性质则难以进行处理。采用基于分子图的形式对分子结构进行表征可有效地解决这一问题，其可以直观地表征分子的平面及空间结构组成，然而，利用基于图表示的分子结构组分表征时，目前还没有通用的获得分子子官能团的系统化方法或者可用的数据库，使得基于图表示的机器学习方法在生成新的分子结构时面临没有子结构可以使用的困难。

目前上述机器学习方法多应用在药物分子中，对于煤分子而言，其既与药物分子存在化学上的诸多联系，也有着明显的不同。与药物分子相比，煤平均分子组成结构也需要满足化学可合成特性、化学分子有效性等要求，这与药物分子相似；但药物分子多关注于对某些微生物的抑制作用、对人体或动物体的影响等性质，而对于气体吸附性、润湿性等性质关注较少，且药物分子的子官能团结构研究较多，因此便于利用其子结构进行新的药物分子的构建、已有药物分子的优化、性质预测等处理，这与分子尺度煤的研究差异较大。对于煤分子平均结构模型而言，目前缺乏对于其子官能团的分析以及对子官能团数据库，因而迫切需要寻求根据已有的人为构建的煤分子结构模型子官能团结构重组、优化以便于快速且低成本地得到新的煤分子平均结构。

发明内容