Análisis de predecibilidad e interpretabilidad de las propiedades de sales iónicas energéticas basado en aprendizaje...

Sus antecedentes:

• Las sales iónicas energéticas (SIE) son materiales energéticos cruciales para explosivos y propelentes.
• La predicción de las propiedades de las SIE es vital para acelerar su desarrollo y aplicación.

Objetivo del estudio:

• Desarrollar modelos de aprendizaje automático (AA) para predecir propiedades clave de las SIE.
• Evaluar el rendimiento de diferentes algoritmos de AA para la predicción de propiedades.
• Identificar descriptores importantes para la predicción de propiedades de SIE.

Principales métodos:

• Se utilizó un conjunto de datos de 1202 SIE con un conjunto de descriptores personalizado (CDS).
• Se evaluaron cinco algoritmos de AA: MLP, SVR, KRR y GBR.
• Se empleó el análisis SHAP para comprender la importancia de los descriptores.

Principales resultados:

• Los modelos de AA óptimos variaron según la propiedad: MLP para densidad, SVR para presión de detonación, KRR para entalpía de formación y velocidad de detonación, y GBR para temperatura de descomposición térmica.
• La precisión de la predicción fue mayor para la densidad y la entalpía de formación en comparación con las propiedades de detonación y la temperatura de descomposición térmica.
• Los submodelos centrados en la unión del grupo nitro mejoraron las predicciones de la temperatura de descomposición térmica.

Conclusiones:

• Los modelos de AA muestran un potencial significativo para predecir las propiedades de las SIE, acelerando el diseño estructural.
• La importancia de los descriptores varía según las propiedades, siendo universalmente significativos el balance de oxígeno, el recuento de hidrógeno y nitrógeno.
• Este estudio proporciona una base para el diseño basado en datos de nuevas sales iónicas energéticas.