QSPRs for Molecular Diffusion Coefficients in Polymeric Passive Samplers: A Comparison of Simple Molecular and Quantum‐mechanical Sigma‐moment Descriptors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Linear quantitative structure‐property relationships (QSPRs) for the prediction of diffusion coefficients (log D p ) were developed for organic contaminants in two common passive sampler materials, polydimethylsiloxane (PDMS) and low‐density polyethylene (LDPE). Literature data was compiled for both PDMS and LDPE resulting in final data sets of 196 and 79 compounds, respectively. Data sets contained compounds with log D p values that ranged over about 5 log units and 3 log units for PDMS and LDPE, respectively. The quality of log D p prediction using either simple molecular descriptors or quantum‐chemical based COSMO‐RS sigma moment descriptors was compared for both materials. For PDMS, the sigma moment descriptor QSPR had the best predictivity with a correlation coefficient of R 2 =0.85 and root mean square error (RMSE) of 0.36 for log D p . The molecular descriptor QSPR resulted in a correlation coefficient of R 2 =0.78 and RMSE of 0.45 for log D p . For LDPE, the molecular descriptor QSPR had the best predictivity, with the final correlation coefficient of R 2 =0.86 and RMSE of 0.21 for log D p . The sigma moment descriptor QSPR resulted in a correlation coefficient of R 2 =0.66 and RMSE of 0.33 for log D p . The purely electronic structure‐based sigma moments are therefore shown to be a viable option for descriptors compared to the more commonly used molecular descriptors for organic contaminants in PDMS. The significance of the descriptors in each QSPR is discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle