基于机器学习的高生成热含能材料的自适应设计方法技术

本发明专利技术公开了基于机器学习的高生成热含能材料的自适应设计方法，包括以下步骤：构建含能材料搜索空间，获得具有已知特征描述符和量化计算生成热的初始数据集；使用初始数据对模型(回归器)进行训练，学习含能化合物特征描述符‑生成热属性关系；将训练后的模型应用于未知搜索空间，以预测未知化合物的生成热以及获得它们相关的不确定；使用选择器全局优化搜索，为量化计算提供下一个最佳候选物；理论计算验证候选物生成热；通过构建含能材料搜索空间，通过测试不同的描述符、回归器、选择器的组合效果，选择和构建出以E‑state+SOB描述符、SVR.lin回归模型和Trade‑off选择器为基础的自适应设计模型，构建了一个能够快速搜索高生成热含能材料的自适应设计模型。

【技术实现步骤摘要】
基于机器学习的高生成热含能材料的自适应设计方法
本专利技术涉及含能材料
，具体为基于机器学习的高生成热含能材料的自适应设计方法。
技术介绍
含能材料在军事和民用领域中有着重要作用，随着世界格局的变化，传统炸药已不能满足现代工业发展要求，高能量密度材料成为发展方向，其中理论计算是辅助其研发的有效手段。生成热与含能材料爆轰性能密切相关，虽然量子化学可以对化合物生成热准确计算，但是不同含能骨架与不同取代基组合会构建出巨大的搜索空间，对所有潜在化合物都进行量化计算成本耗费过高。机器学习可以构建结构-性能推理模型，能快速预测未知材料目标属性，近年来在各个领域得到广泛关注。但机器学习通常需要大量数据才能构建稳健的学习模型，而含能材料因其特殊性使得带有已知目标属性标签的数据集较小，此时构建的模型具有较大不确定性，因此，开发基于小样本含能材料的推理模型是机器学习在此领域应用的一个关键基于此，本专利技术设计了基于机器学习的高生成热含能材料的自适应设计方法，以解决上述提到的问题。
技术实现思路
本专利技术的目的在于提供基于机器学习本文档来自技高网...

【技术保护点】
1.基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：包括以下步骤：/nS1，构建含能材料搜索空间，获得具有已知特征描述符和量化计算生成热的初始数据集；/nS2，使用初始数据对模型进行训练，学习含能化合物特征描述符-生成热属性关系；/nS3，将训练后的模型应用于未知搜索空间，以预测未知化合物的生成热以及获得它们相关的不确定；/nS4，使用选择器全局优化搜索，为量化计算提供下一个最佳候选物；/nS5，理论计算验证候选物生成热；/nS6，将新的化合物添加到初始数据集，进行新一轮设计，迭代循环找到具有高生成热化合物。/n

【技术特征摘要】
1.基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：包括以下步骤：
S1，构建含能材料搜索空间，获得具有已知特征描述符和量化计算生成热的初始数据集；
S2，使用初始数据对模型进行训练，学习含能化合物特征描述符-生成热属性关系；
S3，将训练后的模型应用于未知搜索空间，以预测未知化合物的生成热以及获得它们相关的不确定；
S4，使用选择器全局优化搜索，为量化计算提供下一个最佳候选物；
S5，理论计算验证候选物生成热；
S6，将新的化合物添加到初始数据集，进行新一轮设计，迭代循环找到具有高生成热化合物。


2.根据权利要求1所述的基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：含能材料搜索空间为88个含能母环与14个取代基之间的单取代和双取代的所有组合可能，结构检查与去除重复，获得97566个化合物，其中单取代化合物3416个，二取代化合物94150个。


3.根据权利要求2所述的基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：初始数据收集：从97566个化合物中选取了88个代表性化合物，按照单取代和二取代化合物数量比，选取了单取代化合物3个，二取代化合物85个，并确保了每个含能母环选取1次以及每个取代基选取12～13次，以确保初始样本集的代表性，由此构建了88个化合物的初始数据集。


4.根据权利要求3所述的基于...

【专利技术属性】
技术研发人员：蒲雪梅，谢沄浩，覃潇，郭延芝，刘建，徐涛，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51