利用机器学习统一分子筛膜和金属有机框架（MOFs）中的混合气体吸附
软凝聚态物质
2024-07-01 v1 材料科学
机器学习
计算物理
摘要
近期的机器学习模型专注于分别预测聚合物或金属有机框架（MOFs）中的气体吸附等温线。然而，由于其化学结构的多样性，构建能够预测两种吸附剂类型中吸附趋势的统一模型仍具有挑战性。此外，仅基于单气体吸附数据的模型无法预测二元气体混合物的吸附等温线。本文通过构建仅包含气体混合物和吸附剂物理属性的特征向量，来解决上述问题。我们在碳分子筛膜（CMSM）中单气体和二元混合气体的吸附等温线数据，以及来自CoRE MOF数据库的数据一起对模型进行训练。训练后的模型能够准确预测两种材料类别中纯组分和二元组分的吸附趋势。针对某一类材料设计的机器学习架构，即使经过合适的训练，也不适用于预测另一类材料，这表明必须对模型进行联合训练才能实现正确的预测和可迁移性。该模型被用于准确预测CALF-20框架中二氧化碳的吸附量。这一工作为在广泛材料范围内预测复杂气体混合物的吸附过程开辟了新的道路。
引用
@article{arxiv.2406.13389,
title = {Unifying Mixed Gas Adsorption in Molecular Sieve Membranes and MOFs using Machine Learning},
author = {Subhadeep Dasgupta and Amal R S and Prabal K. Maiti},
journal= {arXiv preprint arXiv:2406.13389},
year = {2024}
}
备注
Accepted in Separation and Purification Technology, on June 16, 2024. Data available at https://zenodo.org/records/11567899