| 机器学习与分子模拟协同的CH4/H2分离金属有机框架高通量计算筛选 |
| |
| 引用本文： | 王诗慧,薛小雨,程敏,陈少臣,刘冲,周利,毕可鑫,吉旭.机器学习与分子模拟协同的CH4/H2分离金属有机框架高通量计算筛选[J].化学学报,2022,80(5):614-624. |
| |
| 作者姓名： | 王诗慧 薛小雨 程敏 陈少臣 刘冲 周利 毕可鑫 吉旭 |
| |
| 作者单位： | 四川大学化学工程学院 成都 610065 |
| |
| 基金项目： | 项目受国家自然科学基金青年基金(No.22108178)资助~~； |
| |
| 摘 要： | 在减少CO2排放、实现碳中和的背景下, 金属有机框架(MOFs)在清洁能源领域展现出广阔应用前景. 提出一种机器学习和分子模拟协同的分层筛选策略, 快速、准确地从134185个假设MOFs中识别出具有最佳CH4/H2分离性能的吸附剂. 首先, 根据MOFs的结构性质, 筛掉孔径或体积比表面积不恰当的吸附剂, 初筛后MOFs的数量减至62278个. 接下来, 抽取10% MOFs将结构和化学混合描述符作为特征, 利用随机森林分别构建变压吸附和真空变压吸附过程中其对CH4的吸附剂性能得分(APS)预测模型. 相比于其他模型构建策略, 基于本策略构建的模型具有最优预测准确性, 可用于余下MOFs的性能预测. 随后根据APS预测值排序, 筛选出Top 1000的MOFs并利用分子模拟修正预测结果, 进一步确定了10个最佳MOFs. 最后, 对描述符的重要性进行解释, 揭示了实现模型在不同操作场景下的迁移具有潜力, 为未来开发适用于多操作场景下的高性能MOFs筛选方法提供了一条高效的研究路径和方法.
|
| 关 键 词： | 金属有机框架 CH4/H2分离 分子模拟 机器学习 可解释性 |
High-Throughput Computational Screening of Metal-Organic Frameworks for CH4/H2 Separation by Synergizing Machine Learning and Molecular Simulation |
| |
| Shihui Wang,Xiaoyu Xue,Min Cheng,Shaochen Chen,Chong Liu,Li Zhou,Kexin Bi,Xu Ji.High-Throughput Computational Screening of Metal-Organic Frameworks for CH4/H2 Separation by Synergizing Machine Learning and Molecular Simulation[J].Acta Chimica Sinica,2022,80(5):614-624. |
| |
| Authors: | Shihui Wang Xiaoyu Xue Min Cheng Shaochen Chen Chong Liu Li Zhou Kexin Bi Xu Ji |
| |
| Institution: | School of Chemical Engineering, Sichuan University, Chengdu 610065 |
| |
| Abstract: | |
| |
| Keywords: | metal-organic frameworks CH4/H2 separation molecular simulation machine learning interpretability |
|
| 点击此处可从《化学学报》浏览原始摘要信息 |
| 点击此处可从《化学学报》下载免费的PDF全文 |
|
