Prediction of Decomposition Temperature of Energetic Materials Based on Machine Learning Methods

doi:10.7503/cjcu20250297

Abstract

Abstract:

In this study， a novel composite descriptor system was suggested， and a high-performance prediction model for the decomposition temperature of energetic materials was constructed. First， molecular structure descriptors based on group contribution were proposed. Then， bond dissociation energy（BDE） was introduced as a key supplementary parameter to quantify the effect of bond strength on decomposition temperature. Finally， RDKit descriptors were generated using the RDKit software， ultimately integrating them into a multidimensional feature set. This feature set was submitted to random forest（RF）， support vector machine（SVM）， and partial least squares（PLS） individually to construct multiple prediction models and conduct a systematic comparison. Among them， the best results were obtained using the model built by RF. Its prediction performance was superior to the results reported in the literature， indicating that the proposed composite descriptors can effectively capture the key factors affecting the decomposition temperature. To further interpret the model and identify critical influencing factors， Shapley additive explanations（SHAP） visualization technology was employed to analyze the optimal model， thereby providing valuable data-driven insights into the thermal stability mechanisms of energetic materials.

Key words: Decomposition temperature, Molecular group descriptor, Quantitative structure-property relationship（QSPR）, Random forest（RF）

CLC Number:

O641

TrendMD:

GUO Lili, HU Mengqian, HUANG Mengmei, LU Yanhua, LI Wei, ZHANG Qingyou, GUO Xiang. Prediction of Decomposition Temperature of Energetic Materials Based on Machine Learning Methods[J]. Chem. J. Chinese Universities, 2026, 47(6): 20250297.

Figures/Tables 12

References 32

[1]	Zlotin S. G.， Churakov A. M.， Egorov M. P.， Fershtat L. L.， Klenov M. S.， Kuchurov I. V.， Makhova N. N.， Smirnov G. A.， Tomilov Y. V.， Tartakovsky V. A.， Mendeleev Commun.， 2021， 31（6）， 731—749
[2]	Muravyev N. V.， Fershtat L.， Zhang Q.， Chem. Eng. J.， 2024， 486， 150410
[3]	Sabatini J.， Oyler K.， Crystals， 2015， 6（1）， 5
[4]	Yan Q. L.， Zhao F. Q.， Kuo K. K.， Zhang X. H.， Zeman S.， DeLuca L. T.， Prog. Energy Combust. Sci.， 2016， 57， 75—136
[5]	Liu R.， Liu J.， Zhou Q.， Phys. Chem. Chem. Phys.， 2024， 26（41）， 26209—26221
[6]	Lv M.， Zhou P.， Ma Y.， Li W.， Liu J.， J. Mol. Struct.， 2022， 1262， 132955
[7]	Bao G.， Abe R. Y.， Akutsu Y.， J. Therm. Anal. Calorim.， 2020， 143（5）， 3439—3445
[8]	Liu Y.， Zhao T.， Ju W.， Shi S.， J. Materiomics， 2017， 3（3）， 159—177
[9]	Roduit B.， Hartmann M.， Folly P.， Sarbach A.， Brodard P.， Baltensperger R.， J. Therm. Anal. Calorim.， 2014， 117（3）， 1017—1026
[10]	Luo Z. H.， Zhou J. J.， Li H.， Xia Y. H.， Bai L. F.， Yang H. J.， Energ. Mater. Front.， 2023， 4（3）， 125—133
[11]	Abd⁃elghany M.， Klapötke T. M.， Phys. Sci. Rev.， 2018， 3（4）， 20170103
[12]	Hu J.， Jin J. X.， Hou X. J.， Rao C. H.， He Y.， Wu K. J.， Ind. Eng. Chem. Res.， 2025， 64（4）， 2396—2405
[13]	Gou Q.， Liu J.， Su H.， Guo Y.， Chen J.， Zhao X.， Pu X.， iScience， 2024， 27（4）， 109452
[14]	Rein J.， Meinhardt J. M.， Hofstra Wahlman J. L.， Sigman M. S.， Lin S.， Angew. Chem. Int. Ed.， 2023， 62（17）， e202218213
[15]	Wang B.， Yi H.， Xu K.， Wang Q.， J. Therm. Anal. Calorim.， 2016， 128（1）， 399—406
[16]	Pan Y.， Zhang Y.， Jiang J.， Ding L.， J. Loss Prev. Process Ind.， 2014， 31， 41—49
[17]	Li X.， Kong D.， Luan Y.， Guo L.， Lu Y.， Li W.， Tang M.， Zhang Q.， Pang A.， Struct. Chem.， 2024， 35（5）， 1375—1385
[18]	Kong D.， Luan Y.， Zhao X.， Lu Y.， Li W.， Zhang Q.， Pang A.， Chemom. Intell. Lab. Syst.， 2023， 243， 105021
[19]	Adak P. K.， Singh S. K.， Singh J.， Mahesh S.， Jain M. K.， Sagar P. A. K.， Banerjee S.， Khan A. S.， J. Mol. Model.， 2022， 28， 400—404
[20]	Zhang Z.， Chen C.， Cao Y.， Wen L.， He X.， Liu Y.， Thermochim. Acta， 2024， 735， 179717
[21]	Wu J. N.， Song S. W.， Tian X. L.， Wang Y.， Qi X. J.， Energ. Mater. Front.， 2023， 4（4）， 254—261
[22]	Song W.， Chen F.， Wang Y.， Wang K.， Yan M.， Zhang Q.， J. Mater. Chem. A， 2021， 9， 21723—21731
[23]	Huang X.， Li C.， Tan K.， Wen Y.， Guo F.， Li M.， Huang Y.， Sun C.， Gozin M.， Zhang L.， iScience， 2021， 24（3）， 102240
[24]	Saju A.， Gunasekera P. S.， Morgante P.， MacMillan S. N.， Autschbach J.， Lacy D. C.， J. Am. Chem. Soc.， 2023， 145（24）， 13384—13391
[25]	Luan Y.， Kong D. L， Guo L. L.， Zhang Q. Y.， Zhou Y. M.， Chem. J. Chinese Universities， 2025， 46（3）， 20240373
	栾玥，孔丁羚，郭莉莉，张庆友，周艳梅. 高等学校化学学报， 2025， 46（3）， 20240373
[26]	Harper L. K.， Shoaf A. L.， Bayse C. A.， ChemPhysChem， 2015， 16（18）， 3886—3892
[27]	Scalfani V. F.， Patel V. D.， Fernandez A. M.， J. Cheminf.， 2022， 14（1）， 87
[28]	Cook R. D.， Forzani L.， J. Chemom.， 2020， 34（10）， e3294
[29]	Camacho J.， Chemom. Intell. Lab. Syst.， 2017， 160， 40—51
[30]	Biau G.， Scornet E.， Test， 2016， 25（2）， 197—227
[31]	R Core Team. R： A Language and Environment for Statistical Computing［CP］. Vienna， Austria： R Foundation for Statistical Computing， 2012. https：//www.R⁃project.org/
[32]	Valkenborg D.， Rousseau A. J.， Geubbelmans M.， Burzykowski T.， Am. J. Orthod. Dentofacial Orthop.， 2023， 164（5）， 754—757

BDE	Atom number 1	Atom number 2	Element 1	Element 2
58.92063	2	3	N	C
58.92063	10	7	N	C
59.81022	13	5	N	C
68.24258	3	8	C	C
69.09007	5	4	C	C
70.96597	7	6	C	C
79.13984	8	9	C	C
88.21220	1	2	O	N
88.21220	12	10	O	N
88.53529	15	13	O	N

BDE	Atom number 1	Atom number 2	Element 1	Element 2
58.92063	2	3	N	C
58.92063	10	7	N	C
59.81022	13	5	N	C
68.24258	3	8	C	C
69.09007	5	4	C	C
70.96597	7	6	C	C
79.13984	8	9	C	C
88.21220	1	2	O	N
88.21220	12	10	O	N
88.53529	15	13	O	N

Machine learning	Descriptor ｛number of descriptors｝	Cross⁃validation of the training set（R²/MAE/RMSE）	Predication of the test set （R²/MAE/RMSE）
RF	EGD｛201｝	0.624/32.0/42.1	0.673/28.2/38.5
RF	EGD+BDE（N⁃NO₂）｛202｝	0.639/31.3/41.3	0.677/27.9/38.2
RF	EGD+BDE（C⁃NO₂）｛202｝	0.630/31.8/41.8	0.695/27.6/37.4
RF	EGD+BDE（O⁃NO₂）｛202｝	0.621/32.2/42.3	0.668/28.3/38.7
RF	EGD+BDE（X⁃NO₂）｛204｝	0.637/31.3/41.4	0.704/26.9/36.8
SVM	EGD｛201｝	0.615/32.0/42.5	0.652/29.1/39.6
SVM	EGD+BDE（X⁃NO₂）｛204｝	0.621/31.4/42.0	0.664/28.4/38.9
PLS	EGD｛201｝	0.549/36.2/46.2	0.594/33.4/42.8
PLS	EGD+BDE（X⁃NO₂）｛204｝	0.558/35.6/45.3	0.609/32.4/41.8

Machine learning	Descriptor ｛number of descriptors｝	Cross⁃validation of the training set（R²/MAE/RMSE）	Predication of the test set （R²/MAE/RMSE）
RF	EGD｛201｝	0.624/32.0/42.1	0.673/28.2/38.5
RF	EGD+BDE（N⁃NO₂）｛202｝	0.639/31.3/41.3	0.677/27.9/38.2
RF	EGD+BDE（C⁃NO₂）｛202｝	0.630/31.8/41.8	0.695/27.6/37.4
RF	EGD+BDE（O⁃NO₂）｛202｝	0.621/32.2/42.3	0.668/28.3/38.7
RF	EGD+BDE（X⁃NO₂）｛204｝	0.637/31.3/41.4	0.704/26.9/36.8
SVM	EGD｛201｝	0.615/32.0/42.5	0.652/29.1/39.6
SVM	EGD+BDE（X⁃NO₂）｛204｝	0.621/31.4/42.0	0.664/28.4/38.9
PLS	EGD｛201｝	0.549/36.2/46.2	0.594/33.4/42.8
PLS	EGD+BDE（X⁃NO₂）｛204｝	0.558/35.6/45.3	0.609/32.4/41.8

Descriptor	Cross⁃validation of the training set （R²/MAE/RMSE）	Predication of the test set （R²/MAE/RMSE）
EGD+BDE（X⁃NO₂） top 170	0.642/31.1/41.2	0.700/27.3/37.1
EGD+BDE（X⁃NO₂） top 140	0.637/31.4/41.5	0.695/27.4/37.3
EGD+BDE（X⁃NO₂） top 110	0.640/31.2/41.3	0.696/27.4/37.3
RDKit top 155	0.634/31.3/41.5	0.709/26.9/36.5
RDKit top 130	0.635/31.2/41.5	0.712/26.9/36.3
RDKit top 105	0.639/31.3/41.3	0.711/26.9/36.4
RDKit top 80	0.636/31.3/41.5	0.716/26.6/36.1
Final model	0.663/30.4/40.3	0.720/26.3/36.0