Étude théorique de la décomposition thermique du nitrate d'ammonium en présence d'additifs et de contaminants
Bibliographic record
Abstract
De nombreuses substances chimiques sont susceptibles de mener à des phénomènes d’incompatibilité, lors de leur mise en contact volontaire ou accidentelle avec d’autres substances ou matériaux. Pour maîtriser ces risques chimiques, notamment dans l’environnement industriel, une identification rapide et précise de ces incompatibilités est nécessaire. Cette identification s’effectue, jusqu’à présent, par des essais de laboratoire (DSC) et les résultats sont collectés, par exemple, dans les fiches de données de sécurité de chaque produit et dans des tables d’incompatibilité existant dans la littérature. Cependant, les informations fournies sont limitées et ne permettent pas d’identifier et de comprendre la relation cause-effet de l’incompatibilité entre deux substances concernées, ni le mécanisme chimique par lequel cette incompatibilité se produit. Dans ce contexte, la prédiction a priori de la réactivité entre deux molécules, ou plus, par modélisation moléculaire devient un outil complémentaire aux essais expérimentaux pour pouvoir comprendre et prédire de manière fiable les chemins réactionnels et les produits qui se forment lorsque des substances chimiques sont en contact. En vue d’améliorer la compréhension des mécanismes d’incompatibilités chimiques entre substances chimiques pour accroître la sécurité liée aux substances pendant leur utilisation, stockage et transport, une première thèse (S. Cagnina, 2011-2014), en collaboration avec Chimie ParisTech, s’est intéressée à comprendre à l’échelle moléculaire quelques mécanismes d’incompatibilités chimiques mettant en jeu le nitrate d'ammonium (NA) en utilisant les outils de chimie quantique, telle que la DFT . La thèse proposée vise à accumuler des cas d’études d’incompatibilités de contaminants avec le NA pour développer des méthodes de prédiction (en se focalisant sur les étapes clés des mécanismes réactionnels) de la présence ou non d’incompatibilité et ainsi aller vers le développement d’un outil informatique de prédiction. Un autre enjeu scientifique est d’associer aux considérations thermodynamiques, la dimension cinétique, pour prévoir notamment la cinétique de formation de produits dangereux. Les résultats seront confrontés à des essais réalisés à l’INERIS ou au CERL (Canadian Explosive Research Laboratory).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".