进步金属有机框架选和修复条件优化,通过集成机器学习和理论计算洞察来消除持久有机污染物
Zhengwen Wei1, Sicheng Jing2, Xiang-Fei Lü2
1Key Laboratory of Subsurface Hydrology and Ecological Effects in Arid Region of the Ministry of Education, Chang'an University, No. 126 Yanta Road, Xi'an 710054, Shaanxi, China; School of Water and Environment, Chang'an University, Xi'an 710054, China; Key Laboratory of Eco-hydrology and Water Security in Arid and Semi-arid Regions of Ministry of Water Resources, Chang'an University, China; College of Geological Engineering and Geomatics, Chang'an University, Xi'an, Shanxi 710054, China.
本研究介绍了一种机器学习框架,以优化金属有机框架 (MOF) 复合材料,以消除持久有机污染物 (POP). 它将预测与微观相互作用联系起来,指导高效和可持续的POP修复.
科学领域:
- 材料科学 材料科学 材料科学
- 环境化学环境化学
- 计算化学计算化学
背景情况:
- 金属有机框架 (MOF) 显示出消除持久性有机污染物 (POP) 的前景.
- 目前的MOF设计和优化严重依赖实证方法,阻碍了效率和可扩展性.
- 需要采用综合方法,合理设计MOF复合材料,并优化移除POP的条件.
研究的目的:
- 开发一个综合框架,将机器学习和理论计算结合起来,用于预测,解释和优化MOF复合材料的POP去除.
- 确定影响MOF-POPs相互作用和移除效率的关键因素.
- 为指导MOF设计和处理条件优化提供实用策略.
主要方法:
- 为MOF-POPs相互作用构建了一个数据库,包含物理化学描述符,操作参数和芳香特征.
- 评估了各种机器学习算法,XGBoost通过共变矩阵适应演化策略进行了优化,表现出卓越的性能.
- 采用SHAP和部分依赖性分析,用于模型解释性和影响因素的识别.
- 利用量子化学计算来阐明微观相互作用机制.
主要成果:
- 机器学习模型准确地预测了MOF复合材料的POP去除效率.
- 确定了π-π相互作用作为吸附行为的主要驱动因素.
- 确定初始污染物度,特定表面积,颗粒大小和水化学显著影响清除.
- 量子计算显示,增加的芳香含量和特定的堆叠安排可以增强吸附.
结论:
- 综合数据驱动和量子力学方法有效地将宏观性能预测与微观相互作用机制联系起来.
- 该框架为合理的MOF设计和优化操作条件提供了实用指导,以实现高效和可持续的POP整治.
- 该研究为克服基于MOF的污染物清除实证试错方法的局限性提供了一条途径.
相关概念视频
Extraction: Advanced Methods
Microbial Bioremediation of Hydrocarbons
Microbial Bioremediation of Pesticides
Methods of Medium Optimization


