| 预测金属有机骨架甲烷和氢气输送能力的迁移学习建模 |
| |
| 引用本文： | 陈少臣,程敏,王诗慧,吴金奎,罗磊,薛小雨,吉旭,张长春,周利.预测金属有机骨架甲烷和氢气输送能力的迁移学习建模[J].高等学校化学学报,2023,44(2):20220459-179. |
| |
| 作者姓名： | 陈少臣 程敏 王诗慧 吴金奎 罗磊 薛小雨 吉旭 张长春 周利 |
| |
| 作者单位： | 1.四川大学化学工程学院, 成都 610065;2.四川铭泰顺硬质合金有限公司, 遂宁 629201 |
| |
| 基金项目： | 国家自然科学基金青年基金(22108178) |
| |
| 摘 要： | 基于深度神经网络(DNN)和迁移学习(TL),使用少量数据建立TL模型,精准预测了金属有机骨架(MOFs)的甲烷和氢气输送性能.首先,使用8414个MOFs在298 K/65 bar～298 K/5.8 bar(1 bar=0.1 MPa)条件下的甲烷输送数据训练一个决定系数(R2)为0.973的DNN源任务(ST)模型].随后,将ST模型的部分参数冻结,使用100个MOFs在233 K/65 bar～358 K/5.8 bar条件下的甲烷输送数据和100个MOFs在198 K/100 bar～298 K/5 bar条件下的氢气输送数据分别微调ST模型,进行TL建模.结果表明,两个TL模型的R2分别为0.968和0.945,均高于其它5个传统的ML模型.所开发的TL模型在预测小数据集时具有高精度与高稳定性.最后,使用排列特征重要度方法来计算描述符重要度,明确了模型之间的“知识”共享情况,并在此基础上探讨了重要描述符和输送能力之间的关系.
|
| 关 键 词： | 金属有机骨架 甲烷与氢气 输送能力 深度神经网络 迁移学习 排列特征重要度 |
| 收稿时间： | 2022-07-06 |
Transfer Learning Modeling for Predicting the Methane and Hydrogen Delivery Capacity of Metal-organic Frameworks |
| |
| CHEN Shaochen,CHENG Min,WANG Shihui,WU Jinkui,LUO Lei,XUE Xiaoyu,JI Xu,ZHANG Changchun,ZHOU Li.Transfer Learning Modeling for Predicting the Methane and Hydrogen Delivery Capacity of Metal-organic Frameworks[J].Chemical Research In Chinese Universities,2023,44(2):20220459-179. |
| |
| Authors: | CHEN Shaochen CHENG Min WANG Shihui WU Jinkui LUO Lei XUE Xiaoyu JI Xu ZHANG Changchun ZHOU Li |
| |
| Institution: | 1.School of Chemical Engineering，Sichuan University，Chengdu 610065，China;2.Sichuan Mingtaishun CNC Cutting Tools Co. ，Ltd. ，Suining 629201，China |
| |
| Abstract: | |
| |
| Keywords: | Metal-organic framework Methane and hydrogen Delivery capacity Deep neural network Transfer learning Permutation feature importance |
|
| 点击此处可从《高等学校化学学报》浏览原始摘要信息 |
| 点击此处可从《高等学校化学学报》下载免费的PDF全文 |
|
