[发明专利]一种锆石捕收剂的量子化学和机器学习组合高通量筛选方法

说明书

本申请公开了一种锆石捕收剂的量子化学和机器学习组合高通量筛选方法，包括：建立浮选药剂的分子数据库R；对分子数据库R中的分子进行离子化，得到离子化分子数据库A；得到分子数据库RA；将锆石矿物金属位点羟基化形成锆石靶点分子数据库T，得到分子数据库RT；获得量子化学参数及log文件；提取分子结构性质参数；训练机器学习模型预测反应吉布斯自由能；筛选浮选药剂；获得靶向锆石浮选捕收剂。本申请通过数学模型能够快速预测分子数据库RA中的分子与不同离子之间的反应吉布斯自由能，从而快速高效实现药剂筛选，相比于传统药剂筛选方案，筛选效率高，准确率高。

技术领域

本发明涉及浮选药剂技术领域，特别是涉及一种锆石捕收剂的量子化学和机器学习组合高通量筛选方法。

背景技术

锆石是传统冶金化工、新兴陶瓷工业、精密铸造不可或缺的原材料，也是重要核原料铀的载体矿物。传统锆石提取主要采用物理分选，对以表面化学为主的分选分离方法关注较少，浮选捕收剂通过强化矿物表面疏水性增强目的矿物被浮选分离的效率。而锆石矿物表面亲水性强，需要用到特定的浮选捕收剂来选择性增加锆表面疏水性。现有技术采用传统的药剂试错法来筛选浮选捕收剂，不仅成功率低，筛选效率低，还存在合成未知毒性物质的风险，存在巨大资源浪费和安全问题。

因此，开发一种安全、快速、高通量的筛选锆石捕收剂的方法十分有必要。

发明内容

本发明主要解决的技术问题是提供一种锆石捕收剂的量子化学和机器学习组合高通量筛选方法，以解决现有技术中存在的采用传统的药剂试错法来筛选浮选捕收剂，不仅成功率低，筛选效率低，还存在合成未知毒性物质的风险，存在巨大资源浪费和安全问题。

为解决上述技术问题，本申请采用的技术方案是：

一种锆石捕收剂的量子化学和机器学习组合高通量筛选方法，包括：

S1建立浮选药剂的分子数据库R，所述分子数据库R中的分子为典型药剂官能团与烷基基团组合而成的烷基-官能团分子集；

S2对所述分子数据库R中的分子进行离子化，得到离子化分子数据库A；

S3以所述分子数据库R和离子化分子数据库A为初始结构，针对所述初始结构中的分子分别制作对应的Gaussian或ORCA输入文件，得到分子数据库RA；

S4将锆石矿物金属位点羟基化形成锆石靶点分子数据库T；

S5将所述分子数据库R中的分子与所述锆石靶点分子数据库T中的分子对接得到烷基-官能团-金属离子羟基化物，得到分子数据库RT；

S6在不低于B3LYP/DEF2TZVP，考虑经验色散及SMD溶剂化模型的计算水平下对所述分子数据库RA、分子数据库T和分子数据库RT 中的分子进行优化并分析，获得量子化学参数及log文件；

S7利用NBO软件读取所述log文件中的能量信息和波函数信息，得到输出文件，通过分析所述输出文件，提取分子结构性质参数；

S8根据所述分子结构性质参数，训练机器学习模型预测所述分子数据库RA中的分子与所述锆石靶点分子数据库T中的分子结合的反应吉布斯自由能，以及所述分子数据库RA中的分子与其他金属离子结合的反应吉布斯自由能；

S9根据反应吉布斯自由能筛选浮选药剂，得到靶向药剂官能团；

S10将所述靶向药剂官能团与烃链组装，获得靶向锆石浮选捕收剂。

进一步的，所述S2中的离子化具体为：对所述分子数据库R中的分子进行逐步去质子化，以获得其全部离子态分子；

进一步的，所述烷基基团为乙基。