XÂY DỰNG MÔ HÌNH TÍNH TOÁN CHỈ SỐ OXYGEN GIỚI HẠN (LOI) BẰNG CÁC PHƯƠNG PHÁP HÓA HỌC LƯỢNG TỬ TÍNH TOÁN
DEVELOPMENT OF A COMPUTATIONAL MODEL FOR CALCULATING THE LIMITING OXYGEN INDEX (LOI) USING QUANTUM CHEMICAL COMPUTATIONAL METHODS
Các tệp bổ sung
- Bài viết: PDF
Bài báo trình bày quy trình xây dựng và kiểm định mô hình hóa học tính toán nhằm dự đoán chỉ số oxygen giới hạn (LOI) của polymer và vật liệu nền hữu cơ chứa phụ gia chống cháy. Phương pháp kết hợp tính toán lượng tử (DFT), khai thác mô tả phân tử và các thuật toán học máy (GA‑MLR, SVR, Random Forest, mạng nơ‑ron sâu) trong khuôn khổ QSPR. Mô hình DFT‑RF huấn luyện từ 427 dữ liệu LOI đạt Q²ext = 0,83 và RMSE = 1,7% O₂ theo thể tích, vượt trội so với hồi quy tuyến tính. Phân tích SHAP xác định các đặc trưng chính gồm độ rộng HOMO–LUMO, độ cứng hóa học và moment lưỡng cực liên quan đến cơ chế tạo than và hiệu ứng pha ngưng tụ của phụ gia phosphorus–nitrogen. Phương pháp này giúp giảm khoảng 70% chi phí thử nghiệm và có thể mở rộng cho thiết kế phụ gia chống cháy không chứa halogen.
Chỉ số oxygen giới hạn, QSPR, Học máy, Lý thuyết phiếm hàm mật độ, Phụ gia chống cháy chứa phosphorus, Mô hình hoá tính toán
This study presents the development and validation of a computational chemistry model for predicting the Limiting Oxygen Index (LOI) of polymers and organic matrix materials containing flame-retardant additives. The approach integrates quantum chemical calculations (DFT), molecular descriptor mining, and machine learning algorithms (GA‑MLR, SVR, Random Forest, and deep neural networks) within a QSPR framework. The DFT‑RF model, trained on 427 LOI data sets, achieved a Q²ext of 0.83 and an RMSE of 1.7 vol% O₂, outperforming traditional linear regression methods. SHAP analysis identified key descriptors—including the HOMO–LUMO gap, chemical hardness, and dipole moment—as dominant factors influencing char formation and condensed-phase activity of phosphorus–nitrogen additives. This method reduces experimental costs by approximately 70% and can be extended to the design of halogen-free flame retardant additives.
Limiting Oxygen Index (LOI), Quantitative Structure–Property Relationship (QSPR), Machine Learning, Density Functional Theory (DFT), Phosphorus-based Flame Retardant Additives, Computational Modeling
Tài liệu tham khảo
1. Mathieu, S., et al. (2011). Prediction of the limiting oxygen index using simple flame extinction theory and bench‑scale material properties. Fire Safety Science: Proceedings of the 10th International Symposium, 375‑388. https://doi.org/10.3801/IAFSS.FSS.10‑375.
2. Funar‑Timofei, S. et al. (2014). Correlations of limiting oxygen index with structural polyphosphoester features by QSPR approaches. Structural Chemistry, 25, 1847‑1863. https://doi.org/10.1007/s11224-014-0474-7.
3. Crisan, L., Iliescu, S., & Funar‑Timofei, S (2016). Structure‑flammability relationship study of phosphoester dimers by MLR and PLS. Polímeros, 26(2), 129‑136. https://doi.org/10.1590/0104-1428.2306.
4. Nelson, M. I., Sidhu, H. S., Weber, R. O., Mercer, G. N. (2001). A dynamical systems model of the limiting oxygen index test. ANZIAM Journal, 43, 105‑117. https://doi.org/10.1017/S1446181100011457.
5. Chen, Z., Yang, B., … Liu, L. X. (2022). Machine learning‑guided design of organic phosphorus‑containing flame retardants for improving the limiting oxygen index of epoxy resins. Chemical Engineering Journal, 455, 140547. https://doi.org/10.1016/j.cej.2022.140547.
6. Hirschler, M. M. (2008). Polymeric materials and their flammability: Recent developments. Fire and Materials, 32(1), 1–15. https://doi.org/10.1002/fam.960
7. Horrocks, A. R., Price, D., Kandola, B. K., & Coleman, G. V. (2005). Flame-retardant treatments of cellulosic materials. Fire and Materials, 29(4), 245–266. https://doi.org/10.1002/fam.875.
8. Hull, T. R., Witkowski, A., & Hollingbery, L. (2011). Fire retardant action of mineral fillers. Polymer Degradation and Stability, 96(8), 1462–1469.https://doi.org/10.1016/j.polymdegradstab.2011.05.006.
9. Jiao, Z., Escobar-Hernandez, H. U., Parker, T., & Wang, Q. (2019). Review of recent developments of QSPR models on fire and explosion-related properties. Process Safety and Environmental Protection, 129, 280–290. https://doi.org/10.1016/j.psep.2019.06.027.
10. Kandola, B. K., & Horrocks, A. R. (2000). Complex char formation in flame-retarded fiber-reinforced polyester composites. Journal of Applied Polymer Science, 78(5), 978–987. https://doi.org/10.1002/10974628(20001031)78:5<97.
11. Stoliarov, S. I., & Lyon, R. E. (2008). Thermo-kinetic model of burning for pyrolyzing materials. Fire Safety Journal, 43(8), 610–617. https://doi.org/10.1016/j.firesaf.2008.02.005.
12. Gramatica, P. (2007). Principles of QSAR models validation: Internal and external. QSAR & Combinatorial Science, 26(5), 694–701. https://doi.org/10.1002/qsar.200610151.
13. Song, K., Pan, Y. T., Zhang, J., Song, P., He, J., Wang, D. Y., & Yang, R. (2023). Metal–organic frameworks–based flame-retardant system for epoxy resin: A review and prospect. Chemical Engineering Journal, 468, 143653. https://doi.org/10.1016/j.cej.2023.143653.
14. Bodruddoza, M., Ghimire, I., van der Walt, W., & Pal, M. (2019). Uncertainty Assessment of Hyperspectral Image Classification: Deep Learning vs. Random Forest. Entropy, 21(1), 78. https://doi.org/10.3390/e21010078.
15. Boston, T., Van Dijk, A., & Thackway, R. (2024). U-Net Convolutional Neural Network for Mapping Natural Vegetation and Forest Types from Landsat Imagery in Southeastern Australia. Journal of Imaging, 10(6), 143. https://doi.org/10.3390/jimaging10060143.
