广州大学乔智威教授课题组：面向空气中微量甲醛捕获的疏水金属-有机框架的高通量计算和机器学习预测

导读

对于挥发性有机物(Volatile Organic Compounds, VOC) 的去除，吸附法具有反应条件温和，反应完全，二次污染小等优点，因此得到了广泛应用。甲醛作为一种典型的VOC，低剂量即可严重损害身体健康，但很少有关于捕获低浓度甲醛的报道。广州大学乔智威教授课题组在Green Energy & Environment期刊发表研究论文，加速了对捕获极低浓度甲醛的优异吸附材料的开发和设计。

图文详解

01

背景介绍

新材料的出现对建设环境友好型社会有重大意义，也促进了社会的可持续发展和科技的创新进步。近年来，一类被称为“金属-有机框架（MOF）”的多孔配位聚合物成为了新材料界的研究热点，受到了学术界的广泛关注。MOF材料由金属离子和有机配体自组装构成，骨架柔韧，也被称作“软沸石”，但事实上它比沸石等传统的无机材料拥有更大的比表面积、孔隙率以及孔结构功能化和设计多样化的潜力。其结构特性，包括拓扑、孔径、形状和表面化学，因其本身的积木性质，都是可以根据实际需要调节的。MOF的筛选逐渐与计算机融合并应用，呈现出了学科交叉的趋势，基于分子模拟和机器学习的高通量计算筛选已经成为了评判MOF性能极限的一种高效方法，通过数据挖掘技术和机器学习算法分析和预测材料的结构性能规律，可以筛选或设计出最具有应用前景的吸附材料。本文首先从137953个假设的MOF中筛选出了31399个疏水的MOF(hMOF)，通过分子模拟和机器学习(ML)计算了它们对于微量甲醛(13.41mg m^-3)的吸附效果。

图1. MOFs被用于从N₂，O₂中捕获甲醛。

02

机器学习

为中和性能指标吸附量(N_HCHO)和选择性(S_HCHO/N2+O2)的影响，该研究采用S_HCHO/N2+O2和N_HCHO的权衡值（TSC）为第三个性能指标。这些被筛选出来的hMOFs被划分为三个数据集(即包含全部MOFs组(AM)，部分N_HCHO优异组(P_N)和部分S_HCHO/N2+O2优异组(P_S)来研究和比较不同性能的材料在大气中捕获甲醛的表现。

图2. MOF的吸附量，选择性和权衡值TSC的关系图。其中整体为AM数据集，红线以上为P_S数据集，蓝线以右为P_N数据集，黑线代表线性拟合直线。

四种ML方法(反向传播神经网络(BPNN)，支持向量机(SVM)，极限学习机(ELM)和随机森林(RF))被用来分别对三个数据集的(AM，P_N和P_S)的三个性能指标(N_HCHO, S_HCHO/N2+O2和TSC)进行性能自主学习和数据预测。ML结果表明，RF方法对PS数据集的TSC性能的预测效果最好，其拥有最高的皮森相关系数(R)以及最低的平均绝对误差(MAE)和均方根误差(RMSE)。

图3. RF算法对P_S数据集的TSC性能的预测。

采用RF算法对三个数据集的MOF结构/能量变量的相对重要性进行预测，描述符亨利系数(K_HCHO)和吸附热(Q⁰_st)在此模型中预测的相对重要性最高，分别为40.31%和18.32%。这种空气混合物中具有很低分压的甲醛类似于甲醛的无限稀释，考虑到吸附等温线的不同类型，在无限稀释条件下能量描述符K_HCHO和Q⁰_st通常可以准确地表示吸附剂在低吸附压力下的吸附能力。

图4. RF算法对MOF的六个描述符的相对重要性的预测。

03

路径定义

由于TSC值与MOF的整体性能相关，TSC > -0.58的MOFs被定义为有希望的MOF吸附材料，各数据集最优的MOF的描述符以及原数据集的描述符都被归类并计量，它们之间的比例即为通过该数据集的描述符路径筛选到优异材料的概率。在P_N数据集中，由K_HCHO(0.004-0.008 mol kg^-1 Pa^-1)和Q0st(37-46 kJ mol^-1)筛选到优异MOF的概率分别可达到100%和77.419%，这为MOF的快速筛选提供了可能。

图5. 从空气中分离甲醛的六个描述符的数值分布，圈里的数字代表MOFs的个数，外圈代表P_N的1461个MOFs，内圈代表其206个有希望的MOFs。

图6. 各数据集根据六个描述符获得优异MOFs的概率。

04

总结与展望

本文通过分子模拟和水的亨利系数筛选获得了31399个疏水MOF，进一步高通量计算了它们在三元空气混合物中吸附微量甲醛的性能，采用机器学习对各数据集的MOF的性能以及描述符的相对重要性进行了预测，发现就预测的准确性而言，P_S > AM > P_N，TSC > N_HCHO > S_HCHO/N2+O2，RF > BPNN > SVM > ELM，并用单变量的结构-性能关系辅以分析，进一步验证了K_HCHO 和 Q⁰_st的重要性。此外，本文还以统计数据集中有希望的MOF及数据集在各描述符的区间下的个数为出发点，定量地定义了在描述符路径下寻找到最优吸附剂的概率，并列出了20种在低浓度下捕获甲醛的候选材料。MOF作为新一代多孔材料近年来受到了广泛关注，对VOC气体的捕获也是其应用的重要分支，但是针对现实中极低浓度VOC的捕获仍然具有挑战。本文以从空气中捕获低浓度甲醛为目标，通过高通量计算筛选，机器学习算法以及路径定义相结合的研究新思路，获得了关于疏水MOF结构-性能方面的规律，将对湿环境低浓度甲醛的吸附剂设计提供可靠的参考和指导作用。

05

文章信息

本文以“Machine learning and high-throughput computational screening of hydrophobic metal–organic frameworks for capture of formaldehyde from air”为题，发表在Green Energy & Environment期刊，第一作者为硕士研究生袁雪迎，通讯作者为乔智威教授。

扫二维码

获取全文

https://doi.org/10.1016/j.gee.2020.06.024

06

通讯作者简介

乔智威

乔智威，广州大学教授，硕士生导师，广东省青年拔尖人才，广州市高层次人才。目前主要从事化工材料高通量计算与智能设计。通过计算机分子模拟手段高通量筛选和人工智能技术自动设计新型多孔材料，如金属-有机框架材料(MOFs)、分子筛、聚合物材料等；使用大数据分析建立材料的成分-结构-性能三维关系，并择优进行实验合成。目前主持的项目有广东省人才计划，2项国家自然科学基金项目面上项目，2项广东省自然科学基金，广州大学百人计划等。

撰稿：原文作者

编辑：GEE编辑部

文章解读

相关推荐