[发明专利]一种甲烷提纯金属有机框架吸附剂的预测方法及系统

说明书

本发明公开了一种甲烷提纯金属有机框架吸附剂的预测方法、存储介质及机器学习系统，该方法首先针对待研究的MOF系列以及甲烷/乙烷/丙烷的气体分离体系，运用机器学习中的决策树、随机森林、支持向量机和反向传播神经网络算法，结合CoRE‑MOF的孔隙率、最大孔径、体积比表面积、吸附热、密度和亨利系数，以及其对天然气中甲烷、乙烷、丙烷的吸附量、选择性，预测性能较优的MOF，进而评估机器学习算法对MOF性能预测的准确性。本发明采用了机器学习方法进行预测，有效地缩短了找出适合分离甲烷的MOF的时间，采用模拟计算指导吸附剂的合成，能够减少开发新的MOF吸附剂的试错成本，并降低所需要的时间、物质资源。

技术领域

本发明涉及计算化学与纳米复合催化材料领域，具体涉及一种甲烷提纯金属有机框架吸附剂的预测方法、存储介质及机器学习系统。

背景技术

世界化石资源的急剧枯竭和环境的严重恶化，促使人们更加迫切地寻找清洁的可替代燃料。用天然气来替代其他化石燃料对改善大气环境、减轻温室效应有着十分明显的作用。但从气田开采出的天然气是一种多组分混合气体燃料，有着甲烷、乙烷、丙烷、CO₂、SO₂等组分，这些其他组分对天然气的燃烧性能有着各种各样的影响，因此天然气中甲烷、乙烷、丙烷的高效分离十分重要。而传统的深冷分离、吸收分离则具有自动化程度低，操作复杂等问题，因此我们把目光放到了吸附分离法上。而吸附分离法的关键在于找到合适的吸附剂。

金属有机框架(MOF)材料是一种由金属节点、有机链接以不同的拓扑结构组合的有机-无机杂化材料。因其具有诸多优良的特性，受到了研究者们广泛的关注。与传统的沸石、活性炭等吸附材料相比，MOF具有比表面积大、孔隙率高、微孔结构和形状可调、结构和功能变化多样的特点，这些优良特性让MOF被广泛应用在气体储存、吸附分离、光学、催化、药物负载等方面，其中就包括烷烃的吸附分离领域。因此，对MOF材料定量构效关系进行深入的研究，探索其结构与性能的关系，将对开发高性能的MOF有着重要的意义。

随着被合成的MOF数量不断增加，从庞大的MOF数据库中发现对于不同组分气体具有高性能的MOF成为了一个巨大的挑战。通过传统实验试差具有一定的盲目性，过程繁琐，需要消耗大量的时间、金钱与人力资源，且某些试剂的使用可能会对实验人员有一定的危害。

因此巨正则蒙特卡洛模拟方法和分子动力学被用于计算模拟MOF的性能。这两种方法可实现大量MOF对不同气体组分吸附性能的有效评价，从而快速发现最佳目标材料，并揭示其构效关系。虽然这两种方法可以加速材料的发现，但也存在计算量大、计算速度较慢等缺点。面对日益增加的MOF数量，仅靠以上方法已经很难满足开发新材料的需要。因此，开发一种更加快速高效、且耗费资源较少的筛选方法十分紧迫。而近年来火热的机器学习(ML)则可以满足这个要求。ML可以通过模拟与实现人类学习行为获得新的知识，并在此基础上不断提高自身性能。目前，ML已在气体分离领域的MOF吸附剂筛选中被广泛地应用。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种甲烷提纯金属有机框架吸附剂的预测方法，该方法基于机器学习系统，可提高高性能MOF材料的筛选与开发速度，使MOF材料的研发具有明确导向性，避免传统“试错”方法导致的一系列问题。

本发明的第二目的在于提供一种计算机可读存储介质。

本发明的第三目的在于提供一种机器学习系统。

本发明的第一目的通过下述技术方案实现：

一种基于机器学习的甲烷提纯金属有机框架吸附剂的预测方法，其基于机器学习系统，包括以下步骤：

S1、通过巨正则蒙特卡洛模拟得到金属有机框架材料(MOF)的几何描述符、能量描述符，以及MOF对体系中甲烷的吸附性能，基于以上参数建立数据集；

S2、把数据集划分为训练集和测试集，运用三折交叉验证，并对数据进行归一化处理；