基于深度学习的含能材料生成焓预测方法

作     者：徐雅斌 孙胜杰 武装 XU Ya-bin;SUN Sheng-jie;WU Zhuang

作者机构：北京信息科技大学计算机学院北京100101 网络文化与数字传播北京市重点实验室北京100101 北京材料基因工程高精尖创新中心北京信息科技大学北京100101 

出 版 物：《含能材料》 (Chinese Journal of Energetic Materials)

年 卷 期：2021年第29卷第1期

页      面：20-28,I0002页

核心收录：

学科分类：082604[工学-军事化学与烟火技术] 08[工学] 081203[工学-计算机应用技术] 0817[工学-化学工程与技术] 0807[工学-动力工程及工程热物理] 0826[工学-兵器科学与技术] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 0703[理学-化学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0702[理学-物理学] 0801[工学-力学（可授工学、理学学位）] 

基　　金：北京材料基因工程高精尖创新中心北京信息科技大学资助 国家自然科学基金资助(61672101) 网络文化与数字传播北京市重点实验室基金资助(ICDDXN004)。 

主　　题：含能材料 生成焓 Attention机制 卷积神经网络 双向长短期记忆网络 

摘      要：为了加快新型含能材料研发的进度,减少因大量实验而带来的时间和资源的消耗问题,基于材料基因工程理论提出一种含能材料生成焓的预测方法。首先将搜集到的代表含能材料分子结构的原子坐标数据转换成表示分子内笛卡尔坐标系的库仑矩阵,以消除含能材料分子结构因平移、旋转、交换索引顺序等操作对生成焓预测造成的影响;然后,根据提出的基于Attention机制的卷积神经网络(Convolutional Neural Network,CNN)和双向长短期记忆网络(Bi-directional Long Short-term Memory Network,Bi-LSTM)的融合模型对含能材料的生成焓进行预测。这样,既可以有效提取数据的特征,又能充分考虑数据间的相关性,同时还能够突出重要特征对预测结果的影响。对比实验结果表明,提出的基于深度学习的方法在生成焓的预测上拥有最低的实验误差,其平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分误差(Mean Absolute Percentage Error,MAPE)、均方根误差(Root Mean Square Error,RMSE)和均方根对数误差(Root Mean Squared Logarithmic Error,RMSLE)分别为0.0374、1.32%、0.0541和0.028,实现了“结构—性能的预测目标,为含能材料生成焓的预测提供了一种新方法。