Modelado Molecular Basado en Aprendizaje Automático para la Predicción Precisa de la Difusividad y Permeabilidad de...

Área de la Ciencia:

• Ciencia de Materiales
• Química Computacional
• Ingeniería Química

Sus antecedentes:

• La difusión de gases en redes metal-orgánicas (MOFs) es fundamental para aplicaciones como las separaciones por membrana, pero es difícil de medir experimentalmente.
• La predicción precisa de la difusión de gases es esencial para el diseño de materiales eficientes basados en MOFs.

Objetivo del estudio:

• Crear un marco computacional eficiente para predecir las difusividades de gases en un gran número de MOFs.
• Evaluar el rendimiento de las membranas MOF para separaciones de gases industrialmente relevantes.
• Identificar las propiedades clave del material para diseñar MOFs de próxima generación.

Principales métodos:

• Integración de simulaciones de dinámica molecular (MD) de alta fidelidad con modelos de aprendizaje automático (ML).
• Se entrenaron modelos de ML con datos de MD para predecir las difusividades de CO2, N2, O2, CH4 y H2 en más de 18.000 MOFs.
• Se desarrolló una interfaz web interactiva para la predicción de la difusividad de MOF y se analizó el rendimiento de la separación de membranas.

Principales resultados:

• Los modelos de ML predijeron con precisión las difusividades de gases en minutos utilizando propiedades estructurales y de invitados de MOF accesibles.
• Se evaluó el rendimiento de separación de membranas para siete pares de gases industrialmente importantes.
• Se identificaron las membranas MOF de mejor rendimiento con alta selectividad y permeabilidad.

Conclusiones:

• El marco computacional permite la predicción rápida de la difusión de gases en MOFs, facilitando la selección de materiales.
• La huella molecular reveló propiedades químicas críticas para el diseño de membranas MOF avanzadas.
• Este enfoque acelera el descubrimiento de MOFs para tecnologías eficientes de separación de gases.