数据驱动的含能配位材料热稳定性预测与危险性识别

《Journal of Hazardous Materials Advances》：Data-Driven Prediction of Thermal Stability in Energetic Coordination Materials for Hazard Identification

　　

高能量密度材料（HEDMs）因其在炸药、推进剂和烟火技术中的重要性而持续引起广泛兴趣。理想情况下，含能材料应兼具高爆轰性能和低感度，因为性能和安全性对于实际应用都至关重要。同时实现这两个特性仍然是一个重大挑战，因为能量输出更高的材料通常对外部刺激更敏感。这种性能-感度的权衡促使研究人员广泛致力于开发更安全、更可靠的含能体系，包括重金属盐、碱金属盐和配位化合物。 在现有的设计策略中，含金属含能配合物（MCECs）和含能金属有机框架（EMOFs）已成为两类重要的先进含能材料。尽管两者都依赖于金属中心与含能构筑单元的结合，但其结构和性质存在显著差异。MCECs是离散的分子物种，其中金属离子与含能配体配位，通常导致高能量输出，但也比传统有机炸药具有更高的感度。相比之下，EMOFs是扩展的配位网络，可以跨越一维、二维或三维空间，并通过周期性的金属-配体连接构建而成。这种框架架构使其与MCECs的零维性质明显区分开来，并且通常赋予其更高的刚性、更好的稳定性和改变的热响应。 含能材料的热稳定性是最重要的安全参数之一，因为它决定了储存行为、处理安全性和操作可靠性。本研究旨在开发一个全面且广泛适用的模型，用于预测MCECs和EMOFs的分解起始温度（Tdec）。研究人员编制了一个包含350种化合物的数据集，其Tdec范围为87.0至425.0°C。通过采用一种新颖的建模策略，所开发的模型实现了强预测精度，决定系数（R2）为0.8649，均方根误差（RMSE）为24.7°C。该模型显著优于基准模型，将RMSE从58.8°C降低至24.7°C。此外，该研究成功地将热稳定性与金属种类、配体类型和框架结构等关键因素联系起来，为合理设计和快速筛选新型含能材料提供了实用工具，以确保其满足工业和国防应用的严格安全和稳定性要求。

论文解读文章

1. 研究背景、现存问题与研究意义

高能量密度材料（HEDMs）在军事和民用领域，如炸药、推进剂和烟火技术中扮演着至关重要的角色。理想的含能材料需要在高爆轰性能和低感度（即安全性）之间取得平衡，但这往往是一对矛盾：能量越高的材料通常越不稳定。在此背景下，含金属含能配合物（MCECs）和含能金属有机框架（EMOFs）作为两类先进的含能材料受到广泛关注。MCECs是离散的分子物种，而EMOFs是具有周期性网络结构的扩展配位化合物。EMOFs因其较高的晶体密度（约1.8-2.2 g/cm3）、较高的爆热（6-8 kJ/g）、优异的机械刚性和超过250°C的分解温度，展现出巨大的应用潜力。

然而，这些材料的热稳定性，特别是分解起始温度（T_dec），是其安全应用的关键参数，直接影响材料的合成、加工、储存和使用安全性。T_dec受到金属中心种类、配位环境、配体类型和整体结构拓扑等多种复杂因素的共同影响，使得精确预测极为困难。尽管已有研究尝试通过简单的组成和结构描述符来预测EMOFs的T_dec，但这些模型在适用范围和准确性上仍有局限。因此，开展此项研究旨在开发一个更为全面、普适且准确的预测模型，能够同时适用于MCECs和EMOFs，从而揭示结构与热稳定性之间的内在联系，为新型含能材料的理性设计和快速筛选提供强有力的工具，确保其在工业与国防应用中满足严苛的安全标准。

2. 关键技术方法概述

为建立预测模型，研究人员首先从137篇参考文献中系统收集了350种化合物的实验数据，构建了一个涵盖MCECs和EMOFs的大型数据库。这些数据包括化合物的化学式、结构类型及其对应的分解起始温度（T_dec），温度范围覆盖87.0°C至425.0°C。基于此数据库，研究人员采用了多种机器学习算法，并结合一系列能够反映化合物组成与结构特征的描述符进行建模。通过对比不同模型的性能，最终确定了一种最优的预测模型，该模型在测试集上表现优异，其均方根误差（RMSE）仅为24.7°C，远优于此前报道的基准模型（RMSE为58.8°C）。

3. 研究结果

3.1 热稳定性数据集的构建与分析

研究人员通过文献调研，汇总了350种含能配位化合物的T_dec数据。数据分析表明，这些材料的热稳定性差异巨大，证实了分解行为并非由单一变量决定，而是受金属离子、配体种类、配位模式、水合状态和框架结构等多种因素的综合影响。数据集中的T_dec值范围从87.0°C到425.0°C不等，为后续建模提供了坚实的数据基础。

3.2 预测模型的建立与优化

研究人员利用上述数据集，训练并比较了不同的机器学习模型。结果显示，所提出的新模型在预测精度上显著超越了已有的基准模型。具体而言，新模型的R2达到0.8649，表明其能够解释86.49%的数据变异；而其RMSE仅为24.7°C，相比于基准模型的58.8°C降低了近60%，这证明了该模型在预测未知化合物T_dec方面具有极高的准确性和可靠性。

3.3 关键影响因素的识别

通过对模型的分析，研究人员成功识别出影响热稳定性的关键结构参数。研究发现，金属中心的种类、配体的类型（特别是氮杂环配体）以及整体框架结构（是离散的MCEC还是扩展的EMOF）是决定T_dec的最重要因素。这一发现将热稳定性与材料的微观结构特征直接关联起来，为理解其热分解机理提供了新的视角。

4. 讨论与结论

在讨论部分，研究人员指出，虽然机器学习模型在预测T_dec方面表现出色，但当应用于与训练集差异过大的化合物时，其可靠性可能会下降，并且模型本身提供的机理解释有限。相比之下，分子动力学模拟能从原子层面描述加热过程中的结构演化和能量再分布，但模拟得到的分解温度易受统计涨落影响，难以与实验结果直接比较。因此，结合机器学习的高效性与分子动力学的物理洞察力是未来发展的方向。

研究结论： 本研究成功开发了一个数据驱动的、高度准确的预测模型，用于预测含金属含能配合物（MCECs）和含能金属有机框架（EMOFs）的分解起始温度（T_dec）。该模型基于一个包含350种化合物的大型实验数据集，其预测精度（R2 = 0.8649, RMSE = 24.7°C）显著优于现有模型。更重要的是，该研究揭示了热稳定性与金属中心、配体和框架结构之间的定量关系，为理解这些复杂材料的热行为提供了深刻的见解。这项工作不仅为快速评估现有含能材料的安全性提供了实用工具，也为未来设计兼具高性能和高热稳定性的新型含能材料奠定了理论基础和数据支撑。