[发明专利]一种对九种有机气体的筛选方法、系统、设备及介质

说明书

本发明提供了一种对九种有机气体的筛选方法、系统、设备及介质，九种有机气体包括Xe、CH4、Kr、N2、H2S、O2、CO2、H2和He，该方法包括如下步骤：S1、采集MOF的结构参数和所述九种有机气体的扩散分离性能参数和分子物理性质参数，建立数据集；S2、通过机器学习算法对扩散分离性能参数进行回归预测；S3、评估不同的机器学习模型及其回归预测效果；S4、根据评估结果对MOF进行筛选。本发明不仅能够定量描述模型对材料预测能力，而且能够快速高效筛选出高性能的材料用于目标体系的应用，显著节约了时间和成本。此外，本发明用于筛选的优异机器学习模型对于其它气体也具有较好的适用性。

技术领域

本发明涉及计算化学与纳米复合催化材料技术领域，具体涉及一种对九种有机气体的筛选方法、系统、设备及介质。

背景技术

工业过程中化学分离相关的大量能源的使用为寻求更节能的分离方法提供了强有力的驱动。涉及分子吸附到纳米孔中的化学分离可以大致分为平衡分离或动力学分离。平衡分离的选择性是由吸附剂相对于另一种分子吸附亲和力的控制。相反，在动力学分离中，由于化学物质通过吸附剂中空隙的迁移速率不同，从而实现了选择性。比如膜分离，分子的扩散性起着关键作用。分子扩散性在基于吸附的分离中也很重要，因为他们定义了达到平衡所需的时间尺度。利用分子扩散速率不同而实现的分离具有高效、低能耗、绿色环保等特点，近年来受到广泛的关注。然而，实现扩散分离技术的广泛应用，关键在于研发出具有优异性能的材料。

金属有机框架(MOF)材料是一种由无机结构单元(金属离子、团簇或链)与有机配体通过不同的拓扑结构组合而成的纳米多孔材料。与传统的多孔材料相比，由于具有更大的比表面积、更高的孔隙率以及孔结构可调等特点，可在气体储存、吸附分离、催化和药物负载等领域广泛应用，其中包括作为金属有机框架膜(MOFs)材料实现气体混合物的高效分离。因此，通过建立MOFs的结构描述符以及气体分子的物理性质及差异与MOFs材料的性能的定量构效关系，并深入的研究，对开发出具有高性能的MOFs具有着重要的意义。

随着通过计算机技术以及实验合成出的MOFs数量不断增加，通过传统实验难以高效筛选出具有高性能的MOFs，且实验过程往往需要消耗大量的时间及金钱等成本，同时，部分化学试剂对实验人员及环境存在一定的危害。

因此巨正则蒙特卡洛(GCMC)和分子动力学(MD)模拟方法被用于计算模拟MOFs的性能。这两种方法可实现多种气体在大量MOFs的渗透性能的有效评价，从而高效筛选出最佳目标材料。尽管上述的模拟方法可有效降低筛选最佳材料过程中所需的时间及金钱等成本，但由于存在计算量大、计算速度较慢等缺点，面对不断增大的MOFs数据库，仅通过分子模拟计算难以实现高效筛选或研发出具有优异性能的MOFs，因此，研究更高效的研究方法迫在眉睫。近年来，随着计算机技术的不断发展，机器学习可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，机器学习已被广泛应用于筛选各种具有优异性能的材料。

发明内容

本发明的目的在于提供一种对九种有机气体的筛选方法、系统、设备及介质，以解决现有技术存在的难以高效筛选出具有高性能的MOFs，且实验过程往往需要消耗大量的时间及金钱等成本，同时，部分化学试剂对实验人员及环境存在一定的危害等问题。

为了达到上述目的，本发明提供如下的技术方案：

在本发明的第一个方面，提供了一种对九种有机气体的筛选方法，所述九种有机气体包括Xe、CH₄、Kr、N₂、H₂S、O₂、CO₂、H₂和He，具体包括以下步骤：

S1、采集MOF的结构参数和所述九种有机气体的扩散分离性能参数和分子物理性质参数，建立数据集；

S2、通过机器学习算法对扩散分离性能参数进行回归预测；

S3、评估不同的机器学习算法及其回归预测效果；