一边做一边说国语对白,东北士炕丰满熟妇,欧美日韩国产

新加坡國立ACS AMI: 分子模擬+機器學習快速篩選用于丙烷/丙烯分離的MOF

目前，已經合成了100000多種金屬-有機框架（MOF），然而確定特定應用的最佳候選材料具有挑戰性，且大量MOF的實驗測試在經濟上是不可行的。

為此，新加坡國立大學姜建文教授等人開發了一種分子模擬（MS）和機器學習（ML）的協同方法快速篩選用于丙烷/丙烯分離的金屬-有機骨架（MOF）。

首先，通過分子模擬 (MS) 方法預測了1726個“計算就緒、實驗性”(CoRE) MOF中 C₃H₈/C₃H₆混合物的吸附容量和選擇性，建立了分離度量和結構因素之間的關系，并確定了33種性能最佳的CoRE MOF。

然后使用孔徑、孔幾何形狀和框架化學作為特征描述符在CoRE MOF上訓練和開發ML模型，通過引入分級孔徑分布和幾何描述符，ML模型的準確性得到了顯著提高。描述符的特征重要性由基尼不純度（Gini impurities）和 SHAP（Shapley Additive Explanations）值確定和解釋。

圖1. 用于快速篩選用于丙烷/丙烯分離的MOF的流程

隨后，ML模型用于在實驗性“劍橋MOF結構數據庫”（CSD）和計算機假設的MOF數據庫（hROD）中快速篩選用于丙烷/丙烯分離的MOF。在CSD MOF中，作者發現樣本預測與模擬結果非常吻合，證明了ML模型從CoRE到CSD MOF的出色可轉移性。此外，已確定9個CSD MOF具有優于性能最佳的CoRE MOF的分離性能。

最后，6個實驗性MOF數據庫和hROD之間的相似性和多樣性通過t分布式隨機鄰域嵌入 (t-SNE) 算法進行可視化和比較。值得注意的是，CoRE和CSD MOF在化學和幾何特征空間中具有密切的相似性。通過協同MS和ML，本研究中開發的分級方法將推動跨不同數據庫的MOF快速篩選，以實現工業上重要的分離過程。

圖2. CSD MOF中丙烷/丙烯分離的ML預測

Rapid Screening of Metal-Organic Frameworks for Propane/Propylene Separation by Synergizing Molecular Simulation and Machine Learning, ACS Applied Materials & Interfaces 2021. DOI: 10.1021/acsami.1c13786

原創文章，作者：科研小搬磚，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/15/709702b11d/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

新加坡國立ACS AMI: 分子模擬+機器學習快速篩選用于丙烷/丙烯分離的MOF

相關推薦