在金属有机框架中对分离的吸附空间的有效探索,结合了分子模拟,机器学习和理想吸附溶液理论的使用

科学领域:

• 材料科学 材料科学 材料科学
• 化学工程是化学工程的重要组成部分.
• 计算化学计算化学

背景情况:

• 使用金属有机框架 (MOF) 的吸附式分离为能源密集型工业工艺提供了可持续的替代方案.
• MOFs和分子的庞大的组合空间使分离性能的实验评估具有挑战性.
• 现有的机器学习 (ML) 模型对于MOF分离往往难以准确,特别是对于稀释条件和多样化的分子.

研究的目的:

• 开发精确的机器学习模型,用于预测MOF的大型库中各种分子的吸附同热量.
• 为了能够有效地探索MOF分子吸附空间进行化学分离.
• 评估ML模型的预测能力与复杂混合物分离的模拟数据相结合.

主要方法:

• 通过使用大法典蒙特卡洛模拟,在335个MOF中为45个分子生成了15075个单元吸附等温的大型数据集.
• 开发并验证了实现高精度 (r2 > 0.9) 的机器学习模型,用于预测吸附等热量.
• 综合分子模拟数据和ML预测与理想吸附溶液理论 (IAST) 预测混合物分离性能.

主要成果:

• 成功开发了准确的ML模型,能够预测广泛的MOF-分子对的吸附等温.
• 证明了ML方法的效率,用于预测随意分离的大型MOF集合的性能.
• 验证了组合模拟和ML方法,用于预测具有挑战性的近同位素混合物中的吸附选择性和负载.

结论:

• 开发的ML模型为加速MOF的发现和设计提供了一个强大的工具,以实现高效的化学分离.
• 这种方法显著扩大了可搜索的吸附空间,克服了以前方法的局限性.
• 该方法使单组分和复杂混合物分离的准确预测成为可能,为实际应用铺平了道路.