Descubrimiento asistido por aprendizaje automático de marcos orgánicos selectivos de propano y metal

Área de la Ciencia:

• Ciencias de los materiales
• Ingeniería Química
• Química computacional

Sus antecedentes:

• Los marcos orgánicos metálicos (MOF) se utilizan cada vez más en el descubrimiento y la predicción de materiales.
• La separación eficiente del propano/propileno (C3H8/C3H6) es crucial para las aplicaciones industriales.
• El cribado computacional de los MOF existentes puede acelerar la identificación de materiales adecuados.

Objetivo del estudio:

• Desarrollar una estrategia asistida por aprendizaje automático para el cribado de MOF selectivos para C3H8.
• Identificar los MOF de alto rendimiento para la separación de propano/propileno de la base de datos de MOF del CdR.
• Validar experimentalmente el rendimiento de los MOF candidatos prometedores.

Principales métodos:

• Aplicación de algoritmos de aprendizaje automático, incluido el bosque aleatorio (RF), para examinar la base de datos del CdR MOF.
• Los MOF evaluados se basan en la selectividad prevista de C3H8.
• Se ha verificado experimentalmente el rendimiento de separación y la estabilidad hidrolítica del MOF de mayor rendimiento.

Principales resultados:

• El algoritmo de bosque aleatorio logró la mayor precisión en la predicción del rendimiento de MOF.
• El JNU-90 MOF fue identificado como un material de alto rendimiento para la separación de C3H8/C3H6.
• JNU-90 exhibió una selectividad de referencia y una excelente estabilidad hidrolítica, lo que permitió la producción directa de C3H6.

Conclusiones:

• El aprendizaje automático proporciona una estrategia efectiva para acelerar el descubrimiento de MOF para separaciones desafiantes.
• JNU-90 muestra un potencial significativo para la separación de propano/propileno con eficiencia energética.
• Este enfoque puede acelerar el desarrollo de MOF avanzados para aplicaciones industriales.