合家欢下册公交车yiyu,日日躁夜夜躁狠狠躁超碰97,亚洲无人区一码二码三码的含义

皇家墨爾本理工ACS AMI: 高通量計算+機器學習預測MOF中的O2/N2選擇性

機器學習（ML）正成為各個科學領域中越來越流行的工具，也顯示出有助于篩選各種應用材料的潛力。到目前為止，ML和其他篩選方法已用于預測MOF的H₂和CO₂的捕獲、存儲和分離，但似乎沒有預測其O₂ /N₂分離性能的相關研究。

在此，澳大利亞皇家墨爾本理工大學（RMIT）Ravichandar Babarao及Tu C. Le等人結合高通量模擬和ML模型預測了無限稀釋和單一氣體組分條件下假設金屬-有機框架（hMOF）數據庫中的O₂/N₂吸附和膜選擇性。基于從計算就緒實驗（CORE）MOF 2019數據集獲得的初始模擬數據，使用ML模型來驗證模擬數據。

在測試的幾種算法中，隨機森林（RF）算法被證明在預測CoRE MOF數據集的O₂和N₂的吸收、自擴散和亨利常數等方面具有良好的性能。使用化學、原子和幾何類型描述符，該算法能夠獲得良好的預測性能，其中R²值通常在0.7~0.8范圍內。隨著這些描述符組中的每一個的添加，模型的性能顯示出總體上升趨勢。

圖1. 訓練集（橙色）和測試集（藍色）的預測與其對應的真實值

使用可用的hMOF描述符，然后使用經過訓練的模型來預測與在CoRE MOF中測試的相同的目標變量。結果顯示，與CoRE MOF數據集相比，hMOF數據集顯示出更小的單位單元和更簡單的結構，這導致篩選出的hMOF具有比文獻中報道的MOF更低的O₂ /N₂分離選擇性數值。

對于吸附和擴散計算，單組分O₂和N₂氣體被認為是在1 bar和無限稀釋條件下，這是一種理想情況，其中氣體分子之間沒有相互作用，只考慮氣體和MOF之間的相互作用。因此，這項工作中計算的吸附、擴散和膜選擇性是理想的選擇性。但ML的使用能夠呈現結構-性能關系，根據吸附和擴散選擇性確定用于O₂ /N₂分離的最佳 hMOF并節省大量寶貴的時間和計算成本。

圖2. 預測的hMOF值（藍色）和已知的CoRE MOF值（橙色）對比

Prediction of O₂/N₂ Selectivity in Metal–Organic Frameworks via High-Throughput Computational Screening and Machine Learning, ACS Applied Materials & Interfaces 2021. DOI: 10.1021/acsami.1c18521

原創文章，作者：v-suan，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/dcf2aa6fed/

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

皇家墨爾本理工ACS AMI: 高通量計算+機器學習預測MOF中的O2/N2選擇性

相關推薦