用可解释机器学习进行乙烯糖醇/1,2-butanediol分离的共价有机框架的加速选

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.
• 分离科学 分离科学

背景情况:

• 乙烯基醇 (EG) 和1,2-butanediol (1,2-BDO) 的亚热分离在煤炭和生物质的EG合成中至关重要.
• 使用共价有机框架 (COFs) 的选择性吸附提供了一种节能且环保的分离方法.
• 开发高效的吸附剂是优化这一工业过程的关键.

研究的目的:

• 开发一个可解释的决策树 (DT) 模型,用于COF的高通量选.
• 确定用于EG/1,2-BDO分离的最佳COF选择的关键参数.
• 以指导具有增强分离能力的新型COF的合理设计.

主要方法:

• 开发一个可解释的决策树 (DT) 模型,其 R2 值为 0.96.6.
• 使用同质热量 (ΔQst) 和最大腔径 (LCD) 的差异作为选择标准.
• 根据预测的吸附特性选和选择六种高性能COF.

主要成果:

• DT模型有效地预测了EG/1,2-BDO分离的COF性能.
• 使用 ΔQst > 6.5 kcal/mol 和 LCD 在 3.64.8 Å 之间确定了最佳的 COF.
• 选择的COF具有电子负组,可以增强EG的吸附选择性.

结论:

• 开发的DT模型和选择标准加快了用于EG/1,2-BDO分离的有效COF的发现.
• 在COF中,负电子组对于提高分离效率至关重要.
• 这种方法为设计针对特定分离挑战的先进COF提供了一个框架.