论文部分内容阅读
含能材料在武器系统和民爆行业中有着广泛的应用,本文选择对含能材料的撞击感度、静电感度和爆速进行预测研究,对含能材料的设计生产和安全使用有着重要意义。基于定量构效关系(Quantitative Structure-Property Relationship,QSPR)基本原理,对含能材料的撞击感度、静电感度和爆速进行了系统研究,主要研究内容和结论如下:(1)采用Dragon 2.1软件计算化合物的分子描述符,并运用遗传算法(Genetic Algorithm,GA)筛选获得了特征描述符,而后结合多元线性回归(Multiple Linear Regression,MLR)和人工神经网络(Artificial Neural Network,ANN)算法,分别构建了目标性质的GA-MLR线性模型和GA-ANN非线性模型。采用一系列模型性能参数对所建模型的进行验证和评价,应用Williams图对模型的应用域进行一定分析。(2)多硝基化合物撞击感度的QSPR研究表明,所建模型的R2分别为0.854和0.974,均方根误差分别为0.195和0.071,两个模型均是稳定、可靠的且具有较好的预测能力。通过模型比较发现,GA-ANN模型的性能要优于GA-MLR模型,这明多硝基化合物的分子结构和撞击感度间存在较强的非线性关系。与文献比较发现,所建的两个模型均优于已有文献模型。(3)分别对硝基芳烃化合物和硝胺类化合物的静电感度进行了 QSPR研究,其中硝基芳烃化合物的两个静电感度模型的R2均高于0.89,硝胺类化合物的两个静电感度模型的R2均高于0.96。且GA-ANN模型均优于GA-MLR模型,这说明ANN方法是一种能够有效、准测地预测含能化合物静电感度的工具。而GA筛选获得描述符主要分子的原子量和电负性对静电感度的影响。本文所建模型和已有文献相比较,在选择特征参量、模型构建和模型评价上均有着很大优势。(4)分别对多硝基化合物和富氮杂环类化合物的爆速进行了 QSPR研究,四个模型均取得了较好的结果,其中多硝基化合物爆速的两个模型R2均高于0.90,富氮杂环类化合物爆速的两个模型R2均高于0.96。所建的模型均给出令人满意的预测结果和泛化能力。GA筛选的特征描述符体现了分子极性以及分子中硝基、肼基的数目是影响富氮杂环类化合物爆速的主要因素。经过比较,发现这里的模型都要优于已有模型。