基于机器学习的含能材料绿色精准合成反应机理和过程优化研究

The development of new energetic materials is a crucial challenge that human beings face in the 21st century. The main task and key problem in the development of novel energetic materials is achieving the green accurate synthesis and optimizing the process of synthesis. According to this task and problem, the project intends to: study the template synthesis reaction process of typical high nitrogen compounds; analyze and deduce the processes and networks of these template reactions by using infrared spectroscopy and Raman spectroscopy, coupled with chemoinformatic methods, such as machine learning, ensemble learning, etc.; explore the mechanism and theory about the conversion of components and substances in these template synthesis reactions; develop a precise technology for resolving and recognizing the active intermediates of these template synthesis reactions based on machine learning strategy and quantum chemical methods; focus on developing the strategies of spectrum cooperation and fusion, and establishing the methods of ensemble modeling in order to improve the prediction accuracy and generalization ability of multivariable resolution model built with complicated high-dimensional spectra; and enhance the generality and robustness of the multivariable resolution model with the help of ensemble learning technique. On the basis of these research, the reaction mechanism of these template reactions is about to be interpreted and concluded. Moreover, the developed methods will be applied to optimize the green accurate synthesis process of energetic materials. It is expected to provide a theoretical basis and technical support for green accurate synthesis and process optimization of new energetic materials.

新型含能材料的开发是本世纪人类所面临的严峻挑战之一，如何实现含能材料的绿色精准合成与过程优化是新型含能材料研究的主要难题和技术瓶颈。本项目从新型含能材料的绿色精准合成与过程优化的实际需求出发，以典型高氮化合物的合成反应过程为研究对象，利用红外光谱、拉曼光谱结合机器学习、集成学习等化学信息学策略解析典型模板反应的进程和网络，探索合成反应过程中组分和物质转化过程的机理与本质规律，发展基于机器学习策略结合量子化学计算技术的反应体系中活性中间体的精准分辨与识别技术，重点研究光谱协同与融合策略以及多模型集成建模策略以提高复杂高维光谱多元分辨模型的预测准确度与泛化能力，并借助集成学习技术提升模型的普适性与鲁棒性。在此基础上，阐明和推测模板反应的反应机理，进一步将所建立方法应用于含能材料绿色精准合成的过程优化，期望为新型含能材料的绿色精准合成与过程优化提供理论依据与技术支撑。

新型含能及能源材料的开发是21世纪人类所面临的三大严峻挑战之一，针对含能材料绿色精准合成与过程优化面临的主要难题和技术瓶颈，本项目从新型含能材料的绿色精准合成与过程优化的实际需求出发，发展并建立了基于红外、拉曼以及融合光谱结合机器学习的含能材料合成反应过程分析与工艺优化方法。（1）搭建了红外光谱和拉曼光谱等的集成化高通量在线监测平台，探索了红外和拉曼等特征信息随外界条件（激光能量、积分时间）的变化规律，确定了高通量光谱采集的最优化控制与采集策略；（2）以3,5二氨基-1,2,4三唑（DAT）、4,4’-偶氮-1,2,4-三唑(Atrz)等典型含能材料为研究对象，利用红外光谱、拉曼光谱及融合光谱等技术监测典型含能材料合成反应过程中复杂组分和物质转化信息，通过主成分分析（PCA）、子空间比较法（SCM）和奇异值分解（SVD）等手段获得合成反应体系的组分数，发展并建立了基于多元曲线分辨-交替最小二乘（MCR-ALS）、交互式自模型混合物分析（SIMPLISMA）等的合成反应体系各组分浓度变化曲线和纯物质光谱分辨与解析方法，并利用基于密度泛函理论（DFT）的量子化学计算方法进一步验证反应体系各组分解析结果的准确性与可靠性；根据确定的活性中间体种类和分子结构，阐明和推测了模板反应的反应机理，将所建立方法应用于含能材料绿色精准合成过程优化；（3）借鉴绿色化学的理念，建立了以原子经济性、原子利用率、原料价格等为指标的含能材料绿色精准合成工艺评价体系，初步实现了含能材料绿色精准合成的高效、高选择性与过程优化；（4）探索性地建立了基于机器学习结合定量构效关系策略的含能材料爆轰性能（密度和生成焓）预估方法。本项目发展并建立了含能材料的绿色精准合成与过程优化技术及相关化学计量学理论和方法，可为新型含能材料的绿色精准合成与过程优化提供理论依据与技术支撑。