姚裕贵/刘瑞斌JMCA: 机器学习辅助快速预测小剂量含能材料的爆轰性能

单分子含能材料（EM）的快速、可重复和定量性能评估是一项重大挑战，它限制了EM的定制应用和新的高能量密度材料的开发。目前，基于激光的检测技术被认为是一种有前途的EM诊断工具。

在此，北京理工大学姚裕贵教授、刘瑞斌教授等人提出了一种基于小剂量的替代方法，结合机器学习算法从激光诱导的冲击波图像中快速检测爆速（DV）、爆热（HoD）、爆体积（VoD）、爆压（DP）和爆温（DT）。首先，作者基于时间分辨的羽流动力学和光谱发射特性研究表明，当爆炸等离子体中的汽化原子与气态产物或电离空气中的氧和氮发生反应时，等离子体内部的放热化学反应决定了在25 μs左右发生的爆轰特性。

因此，作者合理地提出了一种基于25 μs左右的高速激光诱导冲击波图像的机器学习模型，并将其作为27种常规单分子炸药的爆轰参数预测的新实验和检测策略。通过HOG特征提取和线性SVR算法给出了DV、HoD、VoD、DP、DT高精度标定模型，所有模型的平均相对误差（ARETe）均在5%以内，特别是DV定量分析模型的最大相对误差（MRETe）仅为3.47%。

图1. SVR模型的训练和预测流程图

这项研究表明，将微爆化学反应过程的揭示与机器学习相结合是一种有效且准确的宏观爆轰参数定量预测方法。与传统的爆轰性能测试方法相比，基于时间分辨成像的机器学习方法具有以下优点：

i）更高的安全性。激光诱导微爆炸的反应区只在几毫米之内，该方法足够安全且可在任何实验室进行操作；

ii）减少金钱和时间成本。只需微克到毫克即可同时获得多个爆轰参数，大大降低了金钱和时间成本。

iii）更高的可重复性和相当的准确度。该方法预测的所有爆轰参数的ARETe均小于5%。传统方法测得的爆轰参数重复性和准确性较差，尤其是DT的ARETe甚至达20%。

总之，这种基于时间分辨成像的机器学习模型在安全性、成本、可重复性和准确性方面表现出具有竞争力的性能，为快速、安全、高精度诊断各种电磁场的性能带来了广泛的应用前景。

图2. 测试集样本爆轰参数的测试结果

Fast explosive performance prediction via small-dose energetic materials based on time-resolved imaging combined with machine learning, Journal of Materials Chemistry A 2022. DOI: 10.1039/D2TA02626K

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/07/f9040e1256/

姚裕贵/刘瑞斌JMCA: 机器学习辅助快速预测小剂量含能材料的爆轰性能

相关推荐