1．结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2000字左右的文献综述：

文 献 综 述

一、研究背景及意义

自燃点 (AIT,Auto-ignition Temperature) 是指能使可燃物质发生自燃的最低温度，即可燃物质由于外界加热或自身化学反应物理或生物作用等产生的热量而升温到无需外来火源就能自行燃烧的温度。在石油化工生产中，自燃点是衡量物质火灾性能的重要参数，已被广泛用于衡量可燃物质在生产、加工、储存和运输过程中的危险程度。

随着化学工业的不断发展及化工产品的多样化，常常会遇到不同易燃有机液体相互混合的情况。如油漆、涂料、化工冶金、精细化工等都大量使用混合有机溶剂。因此掌握有机物的自燃点数据在工程设计和危险性评估等工作中都有着重要的现实意义。

有机混合物自燃点即指有机混合物发生自燃的最低温度。对于纯有机物的自燃点，通过查阅文献或基本数据库就可以获得具体数值，前人也运用定量结构-性质相关性研究 (QSPR）等建模方法对常见的纯有机物自燃点进行过理论预测，预测结果也基本符合安全生产的需要。然而，当前研究者们对有机混合物自燃点的理论研究还比较滞后，相关自燃点的数据还比较缺乏，无法满足日益发展的化工行业安全生产需求。因此，深入研究有机混合物物自燃点相关理论分析与测试技术，认识并掌握有机物混合物自燃点的预测方法，并运用到具体的生产实践中去，对于加强危险有机物的安全管理，防止相关事故的发生具有重要的现实意义。

实验测定是获得有机混合物自燃点数据最直观有效的方法。可是在实验中很难提供标准的测定条件，导致无法获得有效精确的实验数据。同时，受到影响的实验因素很多，如起始测定压力、气流流动状态、选取样本浓度以及仪器精度等。而且对于混合物中含有毒、易挥发、爆炸性或有辐射的物质，测量上存在着一定的危险性。最为重要的是实验不仅要求具备良好、昂贵的测试设备（自燃点测试仪），而且工作量较大，导致有限的科研资源得不到充分的利用。

单独利用实验研究来测定有机物混合物自燃点是不可行的，也是不现实的，有必要借助理论计算方法进行预测，建立简便可靠的自燃点理论预测模型以弥补实验研究方法的缺陷。

如何建立简便可靠的自燃点理论预测模型，是从事相关研究的重中之重。本课题旨在建立最合理、最精确、最适用的理论预测模型，实现根据影响自燃点的主要理化参数及混合物配比预测混合物自燃点的功能。该模型一旦确立，不仅可以有效解决实际工业生产中各类有机混合物实验数据缺乏的问题，而且在工业过程设计与防火防爆等工作中有着良好的应用前景。

二、国内外研究进展和现状

通过查阅有关书籍、手册和文献资料，不难发现，国内外相关混合物自燃点的理论预测研究少之甚少，大部分都是关于纯物质的理论预测。

①　关于纯物质自燃点的预测的研究如下：

Suzuki^[1]通过对250种纯物质的自燃点与分子结构进行关联，建立了理论预测模型。但因需要用到临界压力、等张比容等不常见的参数，因此应用范围受到限制。

Tetteh等^[2]在此基础上分别采用BP神经网络及RBF神经网络对自燃点进行预测。

Albahri^[3]根据基团贡献法原理，提出分子基团作为烃类物质的结构描述符。

潘勇等^[4]提出以基团键作为表征分子结构特征的分子描述符成功预测。

陈锡进^[5]等还提出以电性拓扑状态指数作为表征分子结构的分子描述符，研究结构与自燃点之间的相关性。

2009年，潘勇、蒋军成等^[6]首次将支持向量机算法（SVM） 应用于对烃类物质自燃点的预测，并与多元线性回归和人工神经网络方法^[7]进行比较，发现向量机方法表现出了较强的建模和预测能力。

2011年，时静洁等^[8]提出采用遗传算法GA 筛选变量，再利用支持向量机算法建立预测模型，发现GA-SVM 模型明显优于GA-MLR 模型。

国内外关于纯物质自燃点的预测的其它研究主要见文献^[9-14] 。

②　关于混合物自燃点的预测的研究如下：

2008年，杨守生、饶亮、王学宝等^[15-17]利用自动引燃温度测定仪对醇、酮、醚、酯等不同情况下组成的二元或三元混合液体的自燃点变化规律进行了实验研究， 采用Taylor多项式，拟合出了常压下二元或三元混合液体自燃点随组分配比变化的经验计算公式，并通过实验数据进行了验证。

二元混合液体自燃点经验计算公式:

Y = b1X 1 b2X2 b12X1X2

式中： b_¹ = Y1；b2= Y2 ；b12= 4 Y12-2 ( Y1 Y2 )

X 为混合液体中某种物质的体积百分比 ( X1 X2 = 1 ) ；

Y 为代表混合液体的自燃点值。

三元混合液体闪点、自燃点经验计算公式为:

Y = b1X1 b2X2 b3X3 b12X1X2 b13X1X3

b23X2X3 b123X1X2X3

式中：b1 = Y1 ；b2 = Y2 ；b3 = Y3 ；b12 = 4 Y12 - 2 ( Y1 Y2) ；

b13 = 4 Y13 - 2 ( Y1 Y3 ) b23 = 4 Y23 - 2 ( Y2 Y3 ) ；

b123 = 27 Y123 - 12 ( Y12 Y13 Y23) 3 ( Y1 Y2 Y3 )

X 代表混合液体中某种物质的体积百分比 ( X1 X2 X3= 1 ) ；

Y 代表混合液体的自燃点值。

文中经验公式计算自燃点值与实测值的最大差值在#177;5 ℃以内，虽然可以对实验条件下的混合液体进行自燃点估算。然而由于选取的组分配比较少且是经验公式，导致不能应用于当前要求精度更高的工业生产中去。

③　自燃点、闪点、爆炸极限都属于危险物质的火灾爆炸危险性能参数，在建模理论预测方面有相通之处，本文查阅了相关混合物闪点、爆炸极限预测的文献、资料等，具体如下：

陈莹、蒋军成等^[18]将支持向量机引入到混合液体闪点预测的研究中，选择了纯物质的粘度、表面张力、配比、燃烧下限等物理参数来表征闪点,应用支持向量机方法对两者之间的内在定量关系进行模拟，结果表明, 闪点预测值与实验值符合良好。

蒋军成、潘勇等^[19]基于支持向量机的有机混合物燃爆特性（自燃点）预测方法发表了国家专利。但是没有详细深入的研究。

郑立刚、余明高等提出采用BP神经网络^[20,21]非线性方法建模来预测多元混合气体的爆炸极限，能够准确预测混合气的爆炸极限。

支持向量机（SVM）算法^[22]已被大量应用于理论研究中。

SVM 是Vapnik 等于1995年提出的一种新型机器学习方法, 它具有严格的理论基础, 能较好地解决小样本、非线性、高维数和局部最小等实际问题。支持向量机回归算法的核心思想是找到一个最优超平面, 使所有样本点到超平面的距离为最小, 最优超平面实际上由少数几个称之为支持向量( support vector)的样本所决定。SVM 为获得最佳的泛化能力, 在建模过程中需要调节相应的参数组合,即选择合适的核函数、确定核函数的参数、惩罚系数C以及g-不敏感损失函数中g的大小。

张其林等^[23]建立了基于支持向量机的光谱混合气体组分分析模型，模拟混合气体的光谱信息。实验表明，支持向量机的预测结果要优于神经网络的预测结果。

张启忠等^[24]提出非线性核支持向量机对基因进行选择和分类。实验表明支持向量机方法比采用非线性核的最小二乘支持向量机更好。

陶秀风、唐诗忠等^[25]基于支持向量机对热电偶进行非线性误差校正。

除此之外，支持向量机算法(SVM）也应用到更多参数预测中去，如马喜波、阎爱侠^[26]用于烷基苯的热容和标准焓值的预测，并取得的理想效果。

参考文献：

[1] Suzukit. Quantitative structure-property relationships for auto-ignition temperatures of organic compounds [J].Fire Mater,1994,18(2): 81-88.

[2] Tetteh J , Metcalfee , Howellss.Optimization of radial basis and backpropagation neural networks for modeling auto-ignition temperature by quantitative structure-property relationships [J] .Chemom Intell Lab Syst,1996,32(2):17-191.

[3] Albahri TA, George RS. Predicting pure components auto ignition temperature.

Ind Eng Chem Res. 2003;42:5708.

[4] 潘勇、蒋军成、王志荣. 人工神经网络基团键贡献法预测烷烃闪点[J]. 化学工程, 2007, 35 (4) : 38-41.

[5] 陈锡进、潘勇. 应用电性拓扑状态指数预测烷烃自燃点[J]. 中国安全生产科学技术.2009(06).

[6] Pan Yong，Jiang Jun-cheng，WANG Rui.Prediction of auto-ignition temperatures of hydrocarbons by neural network based on atom-type electrotopological-state indices［J].Journal of Hazardous Materials,2008,157(2－3):510－517．

[7] Jiang Jun-cheng，Pan Yong.Advances and applications of quantitative structure property relationship studies in prediction of flammabile characteristics of compounds[J].

[8] 时静洁、陈利平、石宁、徐伟、杨惠、陈网桦. 基于遗传算法的支持向量机预测有机物自燃点的研究[J]. 中国安全科学学报,2011,(07):125-129.Journal of Nanjing University of Technology，2007,29(6) : 102－110．

[9] Chan-Cheng Cheng, Horng-Jang Liaw, Yu-Yu Kuo.Prediction of autoignition temperatures of organic compounds by the structural group contribution approach[J].Journal of Hazardous Materials 162 (2009) 746-762.　　

[10] Farhad Gharagheizi, An accurate model for prediction of autoignition temperature of pure compounds [J]. Journal of Hazardous Materials 189 (2011) 211#8211;221.

[11] Mehdi Bagheri,Tohid Nejad Ghaffar Borhani, Gholamreza Zahedi,Estimation of flash point and autoignition temperature of organic sulfur chemicals[J].Energy Conversion and Management 58 (2012) 185-196.

[12] Department of chemistry of university of Akron. The Chemical Database [DB][2007-06-05]. http://ull.chemistry. uakron.edu/erd.

[13] Pan Yong，Jiang Jun-cheng，Wang Rui．Prediction of auto-ignition temperatures of hydrocarbons by neural network based on atom-type electrotopological-state indices［J].Journal of Hazardous Materials,2008,157(2－3):510－517．

[14] Jiang Jun-cheng，Pan Yong．Advances and applications of quantitative structure property relationship studies in prediction of flammabile characteristics of compounds［J］．Journal of Nanjing University of Technology，2007,29(6) : 102－110．

[15] 杨守生、王学宝. 易燃液体二元混合物闪点、自燃点实验研究[J]. 消防科学与技.术2008年3月第27卷第3期.

[16] 杨守生、张雷、张科、田勇胜. 三元混合液体闪点的实验研究[J]. 1994-2009 China Academic Journal Electronic Publishing House.

[17] 武利民等编着. 现代涂料配方设计[M]. 化学工业出版社. 北京. 2000.

[18] 陈 莹, 蒋军成, 潘 勇, 王 睿. 混合液体火灾爆炸危险性[J].中国安全生产科学技术2010年4月第6卷第2期.

[19] 蒋军成、潘勇、倪磊、崔益虎、李国梁、张尹炎. 基于支持向量机的有机混合物燃爆特性预测方法[P]. 中国专利:CN102608285A,2012-07-25.

[20] Wang Jie,Du Hong-ying , Liu Huan xiang ,et al. Prediction of surface tension for common compounds based on novel methods using heuristic method and support vector machine [J].Talanta,2007,73(1):147-156.

[21] Taskinen J, Yliruusi J. Prediction of physicochemical properties based on neural network modeling[J]. Adv Drug Deliver Rev,2003, 55: 1163-1183.

[22] 李国正. 支持向量机导论[M]. 北京: 电子工业出版社, 2004.

[23] 张其林. 基于支持向量机的红外光谱混合气体组分分析[J].计算机时代,2010.

[24] 张启忠. 采用非线性核支持向量机并基于基因表达数据的基因选择和分类 [J]. 生命科学仪器,2007.07.

[25] 陶秀风、唐诗忠. 基于支持向量机热电偶的非线性误差校正[J]. 电气自动化, 2004.05.

[26] 马喜波、阎爱侠. 支持向量机算法用于烷基苯的热容和标准焓值的预测[J] . 北京化工大学学报(自然科学版),2008,35(2):33-37.