数据驱动的选和发现金属有机框架作为C2吸附剂来自900多个实验性异温体
Matthew P Rivera1, Gianmarco G Terrones1, Tae Hoon Lee1
1Department of Chemical Engineering, Massachusetts Institute of Technology, Cambridge, Massachusetts 02139, United States.
ACS applied materials & interfaces
|November 19, 2024
概括
机器学习模型预测金属有机框架 (MOF) 的性能,以分离乙烯和乙,减少能源消耗和二氧化碳排放. 这种方法加速了用于工业气体分离的高效吸附剂的发现.
科学领域:
- 材料科学与工程 材料科学与工程
- 化学工程是化学工程的重要组成部分.
- 计算化学的计算化学
背景情况:
- 乙烯/乙烯分离是能源密集型的,对全球二氧化碳排放和能源使用作出了重大贡献.
- 目前的冷蒸方法是低效的,特别是对于分离小组件,如乙.
- 金属有机框架 (MOF) 由于其高表面积和可调节结构,为气体分离提供了有前途的吸附性能.
研究的目的:
- 开发精确的机器学习模型来预测MOFs的乙和乙烯吸收.
- 选一个大数据库的MOFs in silico,以确定有希望的候选人,有效的C2分离.
- 通过实验合成和对选定的MOF的测试来验证模型预测.
主要方法:
- 编制了一个数据库,包含从192个MOF中实验测量的948个纯成分C2异热体.
- 在这个数据库上训练了机器学习模型,以预测MOF的乙和乙烯吸附能力.
- 应用训练有素的模型来选CoRE MOF2019 ASR数据库并进行特征重要性分析.
- 合成了一种高性能MOF,并通过实验验证其乙选择性.
主要成果:
- 机器学习模型在插曲任务中获得了高精度 (MAE ~ 0.05 mmol/g) 和在看不见的结构上获得了合理的精度 (MAE ~ 0.7 mmol/g).
- 查发现了几个MOF,特别是那些含有兰坦化金属的MOF,具有高乙选择性的前景.
- 特性重要性分析强调了MOF结构和操作条件在乙选择性分离中的关键作用.
- 实验验证证证实了合成MOF的模型预测的定性一致性.
结论:
- 在实验吸附数据上训练的机器学习模型是加速发现新型MOF吸附剂的有效工具.
- 含有兰他尼德的MOF显示出选择性乙吸附的潜力,需要进一步调查.
- 开发的数据集和预测模型为设计高效的C2分离过程提供了宝贵的资源.
