Show simple item record

dc.contributor.authorWiik, Kristineen_GB
dc.date.accessioned2022-11-17T10:25:43Z
dc.date.available2022-11-17T10:25:43Z
dc.date.issued2022-11-11
dc.identifier1531
dc.identifier.isbn978-82-464-3440-7en_GB
dc.identifier.urihttp://hdl.handle.net/20.500.12242/3091
dc.description.abstractEnergetic materials find countless applications of relevance to the defence sector, as typical classes of energetic materials are propellants, explosives and fuels. To ensure safe handling of such materials, obtaining knowledge about their sensitivity to impact is crucial. In this report, quantum chemical methods are utilized to consider the problem of sensitivity from different angles. Such computational methods might complement – and even replace – practical experi-ments in some cases. Included topics are determination of transition states, machine learning as a quantum chemistry tool, and the desensitizing effect of amino groups in nitro-containing explosives. For the latter, two ethene derivatives as well as their anionic counterparts are explored and compared. The Gaussian 09 software is employed for density functional theory (DFT) calculations, and the parameters of interest are the dissociation energies of different C–NO2 cleavage reactions, bond lengths, and partial charges. The results point towards Z-1-amino-2-nitroethene being less sensitive than nitroethene, due to increased conjugation by amino electron donation and perhaps increased hydrogen bonding. From the computational results related to the anions, detonation is expected to occur at lower temperatures in the cases where electric sparks may occur. The transition state geometry for nitrobenzene proposed in the literature was confirmed through a frequency calculation. Neural networks and SchNetPack (a deep learning toolbox for atomistic systems) are topics of discussion, but further work is needed in order to produce useful results.en_GB
dc.description.abstractEnergetiske materialer har svært mange bruksområder med relevans for forsvarssektoren, etter-som både drivstoff og eksplosiver faller innenfor denne kategorien. For å sikre trygg håndtering av slike materialer er det essensielt å vite hvor sensitive de er for ulike typer påvirkning, som for eksempel slag eller temperaturforandringer. I denne rapporten blir sensitivitetsproblemet sett på fra ulike vinkler ved hjelp av kvantekjemiske metoder, som kan komplettere og til en viss grad erstatte laboratorieforsøk. Viktige temaer inkluderer bestemmelse av overgangstilstander, maskinlæring som et kvantekjemisk verktøy, og aminogruppens dempende effekt på sensitiviteten til nitrobaserte eksplosiver. I sammenheng med sistnevnte ble to etenderivater, samt deres korresponderende anioner, undersøkt og sammenliknet. Programvaren Gaussian 09 benyttes for tetthetsfunksjonalteoretiske beregninger på C–NO2-dissosiasjonsenergier, bindingslengder og partialladninger. Resultatene indikerer at Z-1-amino-2-nitroeten er mindre sensitiv enn nitroeten, grunnet økt grad av konjugasjon i systemet – og muligens hydrogen-bindinger. Ut fra beregningsresultatene knyttet til anionene forventes det at detonasjon vil skje ved lavere temperaturer i de tilfellene der elektriske gnister kan forekomme. Geometrien til en overgangstilstand for nitrobenzen, identifisert i litteraturen, blir bekreftet gjennom en frekvens-beregning. Nevrale nettverk og SchNetPack (en programpakke for å kunne anvende dyplæring på atomistiske systemer) blir diskutert, men videre arbeid med dette behøves for å få fram nyttige resultateren_GB
dc.language.isoenen_GB
dc.subjectKvantekjemien_GB
dc.subjectTetthetsfunksjonalteorien_GB
dc.subjectPikrinsyreen_GB
dc.subjectSlagfølsomheten_GB
dc.titleMolecular properties of energetic materials and the use of quantumchemical methods for their determinationen_GB
dc.source.issue22/02332en_GB
dc.source.pagenumber29en_GB


Files in this item

This item appears in the following Collection(s)

Show simple item record