[發明專利]含能物質感度和力學性能及其關系的機器學習估算方法

有效

• 申請號: 202011311694.2
• 申請日: 2020-11-20
• 公開（公告）號: CN112382350B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 蒲雪梅;鄧倩倩;郭延芝;徐濤;劉建
• 申請（專利權）人: 四川大學
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C20/30;G16C60/00
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 趙浩竹

本發明屬于化合物性能評估技術領域，公開了一種含能物質感度和力學性能及其關系的機器學習估算方法，包括以E?Dragon計算的分子描述符和分子結構信息作為特征，基于人工神經網絡和確定獨立篩選和稀疏運算符方法構建7個硝基含能物質的撞擊感度和體積模量的定量構效關系模型，利用構建的硝基含能物質的撞擊感度和體積模量的定量構效關系模型確定硝基含能物質撞擊感度與力學性能間的關系，以及兩者分別與分子結構間的定量關系。本發明基于E?Dragon計算的分子描述符和幾種常見的分子結構信息，共建立了硝基含能化合物撞擊感度和體積模量的7個QSPR模型，有助于縮短含能材料實驗研究的進程，利于新型含能化合物的設計及綜合評估。

技術領域

本發明屬于化合物性能評估技術領域，尤其涉及一種含能物質感度和力學性能及其關系的機器學習估算方法。

背景技術

目前，含能材料是一類含有爆炸性基團或含有氧化劑和可燃物、能獨立進行化學反應并輸出能量的化合物或混合物，是軍用炸藥、發射藥和火箭推進劑配方的重要組成部分。含能材料在國防科技工業、航天事業和民用領域都有著廣泛的應用，研究此類化合物不但具有重大的學術意義，而且具有巨大的應用價值。但是由于實驗存在周期長、成本高、危險性大、影響因素多而導致結果重現性低、無法通過實驗獲得未合成含能材料性能數據等問題。并且實際應用對其各方面性能都有較高的要求(爆轟性能高、熱穩定性好、感度低、力學性能優良、環境友好等)，因此發展相對緩慢，所以從理論方面深入研究對加快含能材料研發進展具有積極的指導意義。

20世紀中葉，利用電子計算機對科學實驗進行模擬仿真的模式得到迅速普及，研究人員們可以通過模擬仿真物質的結構和運動，推演出越來越多復雜的現象，模擬計算方式的出現大大加快了含能材料的研究進展，通過計算模型篩選設計的含能材料，能夠使實驗研究人員將資源只花在那些有望提高性能、降低感度和減少環境危害的分子上。然而雖然計算模擬的結果準確可靠，卻存在少許限制，如計算過程復雜，模型要求高，耗時長，往往只能針對小批量的物質進行高精度計算。本世紀以來，科技迅速發展，使得計算能力大大提升、數據爆炸性增長，大數據和人工智能(包括數據挖掘，機器/統計學習，深度學習，壓縮感知等)的結合促使了科學研究第四范式的出現，材料領域中的第四范式又稱為“材料4.0”。第四范式下的科學研究在大量數據的支撐下，使得通過計算得出之前未知的可信的理論成為了可能。人工智能方法的出現有可能極大地改變和加強計算機在科學和工程中的作用。機器學習是近年來迅速發展的人工智能分支之一，其核心的統計算法可以通過訓練不斷得到提高。這類技術適用于處理涉及大量組合空間或非線性過程的復雜問題，而傳統方法要么無法解決，要么只能以巨大的計算代價來處理。其在化學領域的應用數量正以驚人的速度增長，廣泛用于材料合成指導、分子設計、藥物發現，以及各類物質性質預測等。機器學習在含能材料各種重要性質預測方面也早已有諸多應用。如現有技術1利用多元線性回歸(MLR)和20種拓撲描述符構建了148種芳香族硝基化合物對9種不同靶點的毒性與其分子結構特征的二維定量構效關系，9個模型相關系數R²最低為0.71，最高達到0.92。現有技術2在2014年以爆熱、密度和軌道能量差為輸入，通過多元線性回歸(MLR)、最小二乘支持向量機(LS-SVM)實現了對54種高氮化合物爆速的預測，兩種方法測試集的R²分別為0.921和0.971。2019年現有技術3從65種CHNO高能炸藥中提取出104個數據點，以炸藥的組成、結構、生成熱和裝載密度為特征，利用人工神經網絡(ANN)實現了對爆速的預測。2016年現有技術4收集了170種硝基含能化合物的實驗密度值，建立的MLR和ANN模型具有良好的魯棒性，測試集R²分別為0.886和0.931，為有效、快速地預測晶體密度和設計高性能的新型含能材料提供了新的機遇。現有技術5在2017和2018年采用MLR方法研究了100種唑類化合物和36種四唑氮氧化物鹽與其分子結構的定量構效關系，模型R²分別為0.923和0.9321。2018年現有技術6以分子結構為特征，在54種含能物質的111個實驗數據的基礎上，采用MLR方法對自燃溫度進行了研究，QSPR模型的RMS為47.45K，簡化了含能化合物自燃溫度的測定。同年現有技術7采用混合模型SVR-GSA，僅用分子量和CHON數目作為描述符就建立了53種有機含能化合物自燃溫度的預測模型，性能較前人的兩種模型分別提高了37.34％和79.05％。2018年現有技術8針對109種CHONF含能分子建立了一系列爆轟性能、生成熱、密度等性質的定量構效關系模型，綜合比較了多種分子特征和機器學習方法，最佳特征和模型分別是鍵總和和核嶺回歸(KRR)，為機器學習在該領域進一步的應用提供了指導。此外，眾多學者也利用機器學習的方法對含能共晶的熔點、晶格能、密度、分解溫度、爆速以及含能離子液體的爆轟性能和熔點展開了一系列研究。