QSPR建模方法及其在染料敏化太阳能电池性能预测方面的研究进展.docxVIP

? ? QSPR建模方法及其在染料敏化太阳能电池性能预测方面的研究进展 ? ? 范文花 (西安石油大学 化学化工学院，陕西 西安 710065) 近几年，可再生能源应用材料的选择已成为全球能源战略中最紧迫的问题之一，与硅光伏电池相比，染料敏化太阳能电池（dye sensitized solar cell,DSSCs）具有易于制造、生产成本低等优点。DSSCs 是一种分子光伏（PV）系统，模仿自然界的光合作用原理，利用染料吸收太阳辐射能，生成电荷载体，然后将其分离、传输和收集为太阳能[1]。染料敏化剂作为DSSCs 的关键组成部分，在决定相应电池性能方面发挥着重要作用[2]。目前，DSSCs的研究主要是找到影响光电转换效率（photoelectric conversion efficiency,PCE）的关键结构并对其进行改善，设计新型敏化剂，提高PCE。DSSCs 的光电转化效率主要由短路电流密度（Jsc）、开路电压（Voc）和填充因子（FF）决定，为了获得高PCE，这三个参数应尽可能高[3]。 据估计，目前DSSCs 可实现的最大理论PCE为32%，意味着目前13%的记录可以改善[2]。实现改善的常用方法是基于人类关联和概括经验的能力，设计和合成新型染料，随后组装电池并检查电池性能。但这种“反复试验”的方法非常耗时、昂贵，而且在为DSSCs 寻找突破性染料时效率低下。 定量结构-性质关系（quantitative structureproperty relationships,QSPR）已被广泛用于预测各种化合物的物理化学性质、环境行为参数以及毒性，是描述化学结构和活动之间潜在关系的数学模型[4]。目前，QSPR 被认为是设计DSSCs 潜在染料公认的工具[2]，QSPR 模型不是盲目地花费大量时间和金钱来设计有机染料敏化剂，而是一种富有成效的、合理的敏化剂染料开发方法[5]。本文简单介绍了QSPR 建模过程，染料敏化太阳能电池QSPR 建模中常用的分子描述符，建模方法以及QSPR 在DSSCs 性能预测方面的应用。 1 QSPR 建模基本原理 1.1 QSPR 建模过程 QSPR 建模过程一般包括4 个步骤。 （1）数据收集和整理。可靠的数据对建立良好预测性能的模型极为重要，这就要求数据样本不能太少，必须具有代表性且化学结构相似。 （2）计算并选择分子描述符。用专业软件计算得到大量分子描述符，但需要用最少的结构参数来表征尽可能多的化学信息且要保证变量之间不存在很高的相关性，因此需要进行变量选择，同时也要保证特征变量与因变量之间具有相关性，以确保模型可以拟合。 （3）建立分子描述符与性质参数之间的定量构效模型，这是QSPR 研究中的主要步骤。 （4）模型验证与评价。QSPR 模型建好后，需要评价指标来评价模型的质量，其中包括稳定性、可靠性以及预测能力[4]。 1.2 分子特征和描述符 在QSPR 研究中，基于这样一个假设，即化合物行为的变化（由任何可测量的物理化学性质表示）可以与化合物结构特征的数值变化相关，表示化合物分子结构的数值称为“分子描述符”[4]。在相关文献中，经常会用到的分子描述符有拓扑指数描述符、组成描述符、电子性质描述符、量子化学描述符、几何描述符以及常见的分子指纹描述 符（MACCS、Pubchem、FP2、Extend、Daylight、Hybridization 及Morgan）等。 PCE 量化了太阳能电池的整体性能，尽管影响PCE 的因素非常复杂，但敏化剂的电子特性对DSSCs 的整体性能非常重要。Fan 等[2]通过测定与光学性能有关的5 种不同电子性质（G，Oav，Dav,A，LHE）来建立QSPR 模型，预测PCE。结果显示，用上述分子描述符建立的模型具有良好的预测性能。Pourbasheer 等[6]利用6 种描述符建立富勒烯衍生物的GA-MLR 模型以预测化合物作为聚合物太阳能电池受体的光电转换效率，显示了适当的统计结果并表明量子化学描述符对增加PCE 有显著影响。Padula 等[7]使用电子描述符和结构描述符通过线性和非线性机器学习模型预测光伏效率，同时表明这两个参数可以提高模型的预测能力，使相关性达到R≈0.7，这种相关性允许对有效材料进行可靠地预测。 2 QSPR 建模方法 2.1 多元线性回归 多元线性回归（MLR）是经典的建模方法之一，它的目标是为多个独立变量与因变量之间的线性关系建模。独立变量和因变量之间的关系见式（1）。 式（1）中：b0是常数项，x 是自变量，yi是因变量，b1到bn是自变量的系数。 MLR 模型基于以下假设：自变量与因变量之间存在线性关系，自变量彼此之间的相关性不是很高，且每个自变量都对模型有贡献。为了选择对因变量贡献大的自变量，可以通过变量选择