甲烷/乙烷/丙烷分离金属有机骨架的机器学习和高通量计算筛选( Machine Learning and High-throughput Computational Screening of Metal-organic Framework for Separation of Methane/ethane/propane )

C Cai L Li X Deng S Li Z Qiao

本工作采用高通量计算筛选和多机器学习(ML)算法计算了137953个假设金属有机骨架（MOFs）中甲烷/乙烷/丙烷(C1、C2和C3)混合物的分离性能。首先，为避免水蒸气的竞争吸附，筛选出31399个疏水型MOFs（hMOFs）。然后用巨正则蒙特卡罗(GCMC)模拟计算了摩尔比为C1:C2:C3=7:2:1的混合物在HMOF中的吸附行为。其次,建立了MOF的六个结构/能量描述符（最大腔径(LCD)、空隙率$$、体积表面积(VSA)、亨利系数(K)、吸附热(Qst)、MOF的密度）与MOF的三个性能指标（选择率(S)、C1、C2、C3的吸附量(N)及其权衡(TSN)）之间的关系。用ZEO++软件计算了LCD,用RASPA软件分别以He和N2为探针计算了VSAs,用RASPA软件中的NVT-MC方法计算了无限稀释状态下各气体分子的Qst和K。研究发现，在部分结构-性质关系中存在N和S的“第二峰”，并且所有的最佳MOFs都位于第二峰的范围内，特别是对于C1或C2的分离。第三，利用决策树、随机森林(RF)、支持向量机和反向传播神经网络等4种ML算法对上述6个MOF描述符和3个MOF性能指标进行训练、测试和预测。虽然对选择性的预测效果很低，但TSN的引入可以显著提高ML预测的准确性，尤其是RF算法(r=0.99)。因此,用RF定量分析了各MOF描述符的相对重要性,发现三个描述符(K、LCD和p）对C1和C2的分离具有最高的重要性,另外三个描述符(K、Qst和p）对C3的分离具有最高的重要性。利用决策树模型设计了三条简单明了的C1、C2和C3吸附的最优MOF路径。基于这些路径，我们分别有96%、85%和95%的概率可以找到高性能的MOF。最后，针对C1、C2和C3的不同分离应用，确定了最佳的18个MOF。本研究揭示了控制轻烷烃吸附的第二峰和关键的MOF描述符，利用ML建立了定量的结构-性质关系，并从大量MOF中筛选出了分离天然气中C1、C2和C3的最佳吸附剂。2020中国科学院上海有机化学研究所。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate