预测和选高性能聚胺膜使用负相关性基于深集团方法
Ruochen Xi1, Hongjing Liu1, Xueli Liu1
1School of Petrochemical Engineering, Shenyang University of Technology, Liaoyang, China. liuhongjing_101@126.com.
Analytical methods : advancing methods and applications
|August 15, 2024
概括
这项研究使用深度学习来预测用于气体分离的聚胺特性,比传统方法更有效地识别有希望的材料. 该模型准确地预测了性能,并突出了用于增强膜设计的关键化学结构.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 聚胺膜对于气体分离至关重要,但通过实验探索它们庞大的化学空间是具有挑战性的.
- 现存的聚胺类型超过10^7,因此很难确定具有高选择性和透性的最佳候选者.
- 目前的方法有可能忽视用于气体分离和储存的高性能聚胺材料.
研究的目的:
- 开发一个深度学习模型,以快速有效地选用于气体分离应用的聚胺结构.
- 预测聚胺材料的气体透性和选择性,从而更快地发现新型候选物.
- 为了建立聚胺化学结构和气体分离性能之间的联系.
主要方法:
- 基于负相关性学习 (DNN-NCL) 的深度神经网络模型被开发出来.
- 摩根分子指纹被用作深度学习模型的输入特征.
- SHAP分析用于模型解释性和关键功能组的识别.
主要成果:
- 在测试组中,DNN-NCL模型获得了约0.95的R^2,表现比最近的模型高4%.
- 在对800多万个假设聚胺的高通量选中,发现了数百个有前途的候选物,其中14个超过了Robeson CO2/N2分离的上限.
- 在SHAP分析中,碳基,基和基被确定为聚胺中气体透性的关键.
结论:
- 深度学习提供了一种强大而高效的方法来探索聚胺的广泛化学空间,用于气体分离.
- 开发的模型准确地预测了材料性能,并提供了对结构-属性关系的见解.
- 这种方法加速了对高性能聚胺膜的发现,用于CO2捕获等关键应用.
