模拟气体吸附和机械洞察力,以高维神经网络潜力在异构金属有机框架的灵活性使用高维神经网络潜力
Omer Tayfuroglu1, Abdulkadir Kocak1, Yunus Zorlu1
1Department of Chemistry, Gebze Technical University, 41400 Gebze, Kocaeli, Turkey.
Langmuir : the ACS journal of surfaces and colloids
|March 14, 2025
概括
高维神经网络潜力 (HDNNPs) 准确地预测金属有机框架 (MOF) 中的气体吸附. 该方法为传统模拟提供了计算效率高的替代方案,揭示了详细的吸附机制,并改善了气体储存预测.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 纳米技术 纳米技术
背景情况:
- 金属有机框架 (MOF) 具有独特的多孔结构,非常适合气体储存应用.
- 准确预测MOF特性和气体吸附机制至关重要,但计算要求很高.
- 现有的模拟方法面临着大型,周期性MOF系统的局限性.
研究的目的:
- 开发准确和计算高效的方法来模拟MOF中的气体吸附.
- 为了研究在异树状金属有机框架 (IRMOFs) 中的 (H2) 和甲 (CH4) 吸附.
- 探索高维神经网络潜能 (HDNNP) 对于MOF模拟的适用性.
主要方法:
- 在密度函数理论 (DFT) 层面使用碎片化技术为IRMOF构建HDNNP.
- 实施一个"吸附放松"模型,结合分子动力学 (MD) 和大法典蒙特卡洛 (GCMC) 模拟.
- 同时进行MD和GCMC模拟,研究H2和CH4吸附等温体.
主要成果:
- HDNNPs准确地复制了MOF系统的DFT级能量和力量.
- 使用HDNNP进行的模拟显示出与实验气体吸附值的良好一致.
- 在UFF4MOF经典力场证明了吸附放松模拟的局限性.
- 在极端条件下,IRMOF-10中预测的CH4吸收明显超过了经典力场预测.
结论:
- 高度网络网络提供了一种可行且准确的方法来对MOF进行原子模拟,克服计算限制.
- 使用HDNNP的"吸附放松"模型为气体吸附过程提供了详细的机械洞察力.
- 高度国家天然气储备计划 (HDNP) 提高了MOF中储存天然气的预测能力,特别是在具有挑战性的条件下.
