含能快遞

中物院化工材料研究所研究人員發現不敏感高能材料4，4′，5，5′-四硝基-1H，1′H-［2，2′-二咪唑］-1，1′-二胺（DATNBI）的新晶型

在材料化學與藥物化學領域多晶型現象引起了人們的廣泛關注。對含能材料而言，多晶型將影響其物理化學性質包括：能量、感度以及熱穩定性等。4，4'，5，5'-四硝基-1H，1'H-［2，2'-二咪唑］-1，1'-二胺（DATNBI）是一種高密度（d：1.93）、高能量（D：9063 m·s-1）且感度（IS：15 J）較好的不敏感高能材料。中物院化材所研究人員首次發現了DATNBI 一種新晶型（β-DATNBI）。研究人員采用單晶X-射線衍射，變溫粉末衍射，DSC-TG 及掃描電鏡等方法研究了DATNBI 的相變行為。此外，還研究了溶劑以及溫度對DATBI 相變的影響。

源自：Zhang，Z.，Qian，W.，Lu，H.，et al. Polymorphism in a Nonsensitive?High?Energy Material：Discovery of a New Polymorph and Crystal Structure of 4，4′，5，5′?Tetranitro?1H，1′H?［2，2′?biimidazole］?1，1′?diamine. Cryst. Growth Des. 2020，20，568-579.

南京理工大學研究人員制備出C4N182-，C4N18H3-和C4N18H3-高氮離子鹽

加拿大麥吉爾大學研究人員采用機器學習方法進行含能材料篩選

過去10 年里，數據驅動，機器學習以及材料信息學對于材料研究越來越重要。加拿大麥吉爾大學研究人員采用材料信息學、熱化學數據結合機器學習方法進行含能材料篩選。他們采用爆熱值衡量含能材料的性能并進行篩選。在眾多的描述符中，研究人員發現內聚能和氧平衡是關鍵的特征值。根據這些描述符和爆熱值數據研究人員建立了機器學習模型。并將這一模型應用于ICSD 和PubChem 數據庫中的化合物，預測它們的爆熱值。通過此模型從1 億4000 萬化合物中篩選出2732 個含CHNO 的候選化合物。在此基礎上又篩選出262 個爆熱大于1.5 倍TNT 當量的化合物，29 個爆熱大于1.8 倍TNT 當量的候選物，這些化合物均不是目前常見的含能材料。

源 自：Kang，P.，Liu，Z.，Abou?Rachid，H.，Guo H. Machine?learning Assisted Screening of Energetic Materials J. Phys. Chem. A 2020，124，5341-5351.

美國普渡大學研究人員采用無監督學習的多尺度模型研究RDX 的熱化學