[发明专利]含能物质感度和力学性能及其关系的机器学习估算方法

说明书

本发明属于化合物性能评估技术领域，公开了一种含能物质感度和力学性能及其关系的机器学习估算方法，包括以E‑Dragon计算的分子描述符和分子结构信息作为特征，基于人工神经网络和确定独立筛选和稀疏运算符方法构建7个硝基含能物质的撞击感度和体积模量的定量构效关系模型，利用构建的硝基含能物质的撞击感度和体积模量的定量构效关系模型确定硝基含能物质撞击感度与力学性能间的关系，以及两者分别与分子结构间的定量关系。本发明基于E‑Dragon计算的分子描述符和几种常见的分子结构信息，共建立了硝基含能化合物撞击感度和体积模量的7个QSPR模型，有助于缩短含能材料实验研究的进程，利于新型含能化合物的设计及综合评估。

技术领域

本发明属于化合物性能评估技术领域，尤其涉及一种含能物质感度和力学性能及其关系的机器学习估算方法。

背景技术

目前，含能材料是一类含有爆炸性基团或含有氧化剂和可燃物、能独立进行化学反应并输出能量的化合物或混合物，是军用炸药、发射药和火箭推进剂配方的重要组成部分。含能材料在国防科技工业、航天事业和民用领域都有着广泛的应用，研究此类化合物不但具有重大的学术意义，而且具有巨大的应用价值。但是由于实验存在周期长、成本高、危险性大、影响因素多而导致结果重现性低、无法通过实验获得未合成含能材料性能数据等问题。并且实际应用对其各方面性能都有较高的要求(爆轰性能高、热稳定性好、感度低、力学性能优良、环境友好等)，因此发展相对缓慢，所以从理论方面深入研究对加快含能材料研发进展具有积极的指导意义。

20世纪中叶，利用电子计算机对科学实验进行模拟仿真的模式得到迅速普及，研究人员们可以通过模拟仿真物质的结构和运动，推演出越来越多复杂的现象，模拟计算方式的出现大大加快了含能材料的研究进展，通过计算模型筛选设计的含能材料，能够使实验研究人员将资源只花在那些有望提高性能、降低感度和减少环境危害的分子上。然而虽然计算模拟的结果准确可靠，却存在少许限制，如计算过程复杂，模型要求高，耗时长，往往只能针对小批量的物质进行高精度计算。本世纪以来，科技迅速发展，使得计算能力大大提升、数据爆炸性增长，大数据和人工智能(包括数据挖掘，机器/统计学习，深度学习，压缩感知等)的结合促使了科学研究第四范式的出现，材料领域中的第四范式又称为“材料4.0”。第四范式下的科学研究在大量数据的支撑下，使得通过计算得出之前未知的可信的理论成为了可能。人工智能方法的出现有可能极大地改变和加强计算机在科学和工程中的作用。机器学习是近年来迅速发展的人工智能分支之一，其核心的统计算法可以通过训练不断得到提高。这类技术适用于处理涉及大量组合空间或非线性过程的复杂问题，而传统方法要么无法解决，要么只能以巨大的计算代价来处理。其在化学领域的应用数量正以惊人的速度增长，广泛用于材料合成指导、分子设计、药物发现，以及各类物质性质预测等。机器学习在含能材料各种重要性质预测方面也早已有诸多应用。如现有技术1利用多元线性回归(MLR)和20种拓扑描述符构建了148种芳香族硝基化合物对9种不同靶点的毒性与其分子结构特征的二维定量构效关系，9个模型相关系数R²最低为0.71，最高达到0.92。现有技术2在2014年以爆热、密度和轨道能量差为输入，通过多元线性回归(MLR)、最小二乘支持向量机(LS-SVM)实现了对54种高氮化合物爆速的预测，两种方法测试集的R²分别为0.921和0.971。2019年现有技术3从65种CHNO高能炸药中提取出104个数据点，以炸药的组成、结构、生成热和装载密度为特征，利用人工神经网络(ANN)实现了对爆速的预测。2016年现有技术4收集了170种硝基含能化合物的实验密度值，建立的MLR和ANN模型具有良好的鲁棒性，测试集R²分别为0.886和0.931，为有效、快速地预测晶体密度和设计高性能的新型含能材料提供了新的机遇。现有技术5在2017和2018年采用MLR方法研究了100种唑类化合物和36种四唑氮氧化物盐与其分子结构的定量构效关系，模型R²分别为0.923和0.9321。2018年现有技术6以分子结构为特征，在54种含能物质的111个实验数据的基础上，采用MLR方法对自燃温度进行了研究，QSPR模型的RMS为47.45K，简化了含能化合物自燃温度的测定。同年现有技术7采用混合模型SVR-GSA，仅用分子量和CHON数目作为描述符就建立了53种有机含能化合物自燃温度的预测模型，性能较前人的两种模型分别提高了37.34％和79.05％。2018年现有技术8针对109种CHONF含能分子建立了一系列爆轰性能、生成热、密度等性质的定量构效关系模型，综合比较了多种分子特征和机器学习方法，最佳特征和模型分别是键总和和核岭回归(KRR)，为机器学习在该领域进一步的应用提供了指导。此外，众多学者也利用机器学习的方法对含能共晶的熔点、晶格能、密度、分解温度、爆速以及含能离子液体的爆轰性能和熔点展开了一系列研究。