使用计算流体动力学和人工神经网络对金属有机框架对吸附的影响的模拟和优化

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.
• 储能 储能 储能 储能 储能 储能

背景情况:

• 质子交换膜燃料电池 (PEMFC) 面临商业化挑战,原因是低效的储存方法,通常需要高压 (高达700 bar).
• 开发用于在较低压力下安全有效地储存的先进材料对于广泛采用PEMFC至关重要.

研究的目的:

• 描述MOF-5在降压下储存的容量.
• 通过使用计算建模,确定一个最佳的金属有机框架 (MOF) 以最大限度地使吸附在尽可能低的压力下.

主要方法:

• 计算流体动力学 (CFD) 用于模拟MOF-5中的储存在短暂条件下.
• 一个人工神经网络 (ANN) 模型是使用来自CFD模拟的MOF-5的热特性 (密度,比热,导电性) 来开发的.
• 定义了一个新的参数,压力吸附参数 (PAP),用于选一个庞大的MOF数据库.

主要成果:

• 该研究使用CFD模拟分析了MOF-5中的储存特征.
• 一个ANN模型成功地根据MOF的热特性预测了吸附.
• 确定了最佳的MOF,它能够在139bar时吸附0.0099公斤的,比传统方法要低得多.

结论:

• 开发的ANN模型和PAP提供了一种有效的方法来识别用于储存的最佳MOF.
• 这项研究为PEMFCs提供了增强存储解决方案的途径,可能降低运营成本并提高安全性.
• 这些发现有助于推进可再生能源应用的材料科学.