基于机器学习方法的含能材料分解温度预测

摘要

提出一种新型复合描述符系统，构建了一个高性能的含能材料分解温度预测模型.首先根据基团贡献理论提出了分子结构描述符，随后引入键解离能(BDE)作为关键补充参数，量化化学键强度对热稳定性的影响，最后通过RDKit软件生成了RDKit描述符，并将这3类描述符整合构建为一个多维特征集.将该特征集分别提交给随机森林(RF)、支持向量机(SVM)及偏最小二乘(PLS)构建多个预测模型，并进行了系统性比较.其中，使用随机森林构建的模型取得了最佳结果，其预测性能优于文献报道结果，表明所提出的复合描述符能够有效地捕捉影响分解温度的关键因素.此外，借助沙普利加法解释（SHAP）可视化技术对最优模型进行了解析，为理解含能材料的热稳定性机理提供了有价值的数据洞察.

关键词

分解温度 / 分子基团描述符 / 定量构效关系 / 随机森林