使用神经网络阐明热力学驱动的热带石吸附结构与属性关系

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:

• 设计用于催化,气体储存和分离的热石需要了解分子限制.
• 以前的研究提出了吸附热力学的线性相关性,但它们的广泛适用性未被证明.

研究的目的:

• 调查线性吸附模型在多种分子和热质体中的通用性.
• 在封闭的热带石系统中开发吸附热力学预测模型.
• 为了确定影响吸附的关键分子和热带石结构特征.

主要方法:

• 进行了 >3500 个吸附剂-焦酸盐组合的分子模拟.
• 开发和验证非线性预测模型,特别是启动的神经网络.
• 使用SHAP分析来确定吸附性质预测的特征重要性.

主要成果:

• 线性吸附趋势被发现在高度封闭的热带石系统中崩.
• 没有确定任何通用线性模型来预测分子和热带石结构的吸附性质.
• 非线性模型准确地预测了吸附的,同位热和亨利常数.
• 框架特征,特别是孔径,对于预测吸附的比吸附物特征更为关键.

结论:

• 线性模型不足以预测受限热石中的吸附.
• 使用几何和物理描述符的机器学习模型提供了对吸附热力学的准确预测.
• 石的孔隙结构显著影响吸附,而分子大小是亨利常数的关键.