对于CH₄/N₂的金属-有机框架的反向设计,通过合机器学习和遗传算法实现的分离

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.
• 计算化学计算化学

背景情况:

• 金属有机框架 (MOF) 对气体分离应用具有很大的潜力.
• 对MOF的实验查受到时间和资源限制的限制.
• 机器学习 (ML) 提供了一种数据驱动的方法来加速材料发现.

研究的目的:

• 开发一个机器学习模型,与触角自适应基因算法 (TAGA) 集成,用于MOFs的反向设计.
• 为了确定对甲/ (CH₄/N₂) 分离具有高选择性的MOF结构.
• 为设计下一代分离材料建立一个可通用的途径.

主要方法:

• 在MOF结构特征 (拓,建筑单元,功能组) 上训练了一个准确的ML模型.
• 机器学习模型被嵌入TAGA框架中,以导航反向设计的化学空间.
• 通过进化轨迹分析确定了高性能MOF基因型.

主要成果:

• 具有fsc拓和pyrene,anthracene或naphthalene配体的MOF显示出优异的CH4/N2选择性.
• 高性能设计的MOF实现了15.92的IAST选择性和2.47 mmol g-1的CH4吸收.
• 该研究成功预测了针对性气体分离的高性能MOF结构.

结论:

• 这项工作展示了从试错到使用ML的目标导向材料设计的范式转变.
• 综合的ML-TAGA方法有效地确定了特定应用的最佳MOF结构.
• 这种方法为开发用于气体分离和其他领域的先进MOF提供了可扩展的途径.