基于多模态特征融合的贝叶斯-Transformer-SVM模型预测化学爆炸后果研究

本研究针对化学爆炸事故对人类安全和环境构成的重大威胁，提出了一种创新的贝叶斯-Transformer-SVM(BTS)多模态特征融合预测模型。该研究整合定量结构-性质关系(QSPR)和定量性质-后果关系(QPCR)方法，通过SMILES编码和Gaussian16量子化学描述符结合泄漏场景参数，建立了爆炸直径预测模型。结果显示优化后的BTS模型测试集R2达0.9475，RMSE为0.1139，性能优于传统方法。该模型为现有及新开发化学物质的爆炸风险评估提供了新工具，支持安全导向设计理念。

　　

化学爆炸事故因其突发性和破坏性，一直是工业安全领域的重大挑战。传统预测方法如计算流体动力学(CFD)虽能精确模拟，但计算成本高昂；而经验模型又难以兼顾分子结构特征与泄漏场景参数的协同影响。更棘手的是，现有方法对未知化合物的爆炸风险评估缺乏前瞻性，这给化工安全生产埋下了隐患。

针对这一技术瓶颈，吉林省级科技计划项目支持下，吉林大学的研究团队在《Journal of Cheminformatics》发表了一项突破性研究。他们创新性地将自然语言处理领域的Transformer架构与支持向量回归(SVR)相结合，开发出贝叶斯优化的多模态融合预测模型(BTS)。该模型通过深度整合分子层面的SMILES序列、量子化学描述符和工程参数，实现了爆炸直径的高精度预测，测试集决定系数R²高达0.9475，为事故后果预测提供了新范式。

研究团队运用三项核心技术：首先采用Gaussian16软件在B3LYP/6-31G(d)水平计算量子化学描述符；其次利用改进的Transformer编码器解析SMILES序列的拓扑特征；最后通过贝叶斯优化自动调节模型超参数。基于PHAST软件模拟构建的4016组爆炸场景数据库，涵盖40种爆炸物在108种泄漏条件下的行为特征。

数据预处理

对数变换解决了原始数据偏态分布问题，Pearson相关系数分析(-0.25~0.25)确认特征独立性。通过Tanimoto相似性指数(0-0.67)验证数据集覆盖12类官能团的化学空间。

模型性能

在分子描述符与SMILES双模态输入下，BTS模型表现最优：R²=0.9475，RMSE=0.1139，MAE=0.0690。威廉姆斯图显示所有样本杠杆值均低于临界阈值(h*=0.0168)，验证模型广泛适用性。消融实验证实交叉注意力机制(ΔR²=-5.51%)和Transformer架构(ΔR²=-19.10%)对性能的关键贡献。

机理解释

SHAP分析揭示压力参数(0.3±0.04)是核心正向驱动因子，最高占据分子轨道能量(ε_HOMO)升高预示更大爆炸直径，这与分子反应活性理论一致。泄漏量参数的正相关性符合能量释放基本物理原理。

这项研究建立了首个融合量子化学特征与工程参数的多模态爆炸预测框架。其创新价值体现在三方面：理论层面构建的QSPR-QPCR融合框架突破了传统跨模态关联分析的局限；方法学上开发的BTS架构实现了注意力机制与统计学习的优势互补；应用层面支持通过分子结构前瞻评估未知化合物风险。该模型为化工过程安全设计提供了数字化工具，特别适用于新化合物爆炸风险的早期预警，对贯彻"安全源于设计"理念具有重要实践意义。