一种面向氪/氙分离金属有机框架膜的分子指纹设计方法

技术领域

本发明属于计算化学与纳米复合催化材料技术领域，具体涉及一种面向高性能氪/氙分离金属有机框架膜的分子指纹设计方法。

背景技术

在全球持续变暖的背景下支撑我们日益增长的能源和资源需求是我们这一代人面临的最大挑战之一,由于它的能量密度高，燃料体积小和温室气体排放量少，核能备受青睐,但不可避免的是诱捕核裂变产生的挥发性放射性核素，最显著的是Kr和Xe的同位素，具有比残留的放射性核素更高难度的处理策略，将转变成后处理设施的废气流,具有较长的10.8 years的半衰期的85Kr必须从废气中去除以免污染大气,相比之下，Xe(t1/2≈36.3days for 127Xe)在燃料再加工时已经衰减,目前，作为低温空气分离的副产品，摩尔比为80:20 的氪-氙混合物必须经过低温蒸馏，一个能源密集的过程，才能分离出Xe和Kr的纯流。极低的丰度和高昂的价格限制了Xe的供应和发展,而在空气中以更经济和环保的选择性吸附的方式分离低浓度的Xe(0.087ppmv)和Kr(1.14ppmv)无疑是明智的。

自发现以来，由于金属-有机框架材料的结构和性能的几乎无限可能性，建立在由无机节点和有机链接构成的周期性网络结构上的金属-有机框架材料引起了世界各地专家和学者们的注意。MOFs的孔结构的多样性，可调性，和易于修饰使得它们相较于传统的多孔材料，如沸石，活性炭等，对稀有气体的分离具有与生俱来的优势，其具体表现为在环境温度下有相对较高的吸附量和选择性以及完善的模块化。

一旦一种特殊性能被需要，在浩瀚的MOFs数据库中仅通过试错法来搜寻相应MOFs简直比大海捞针还难。作为一个避免计算资源和科研时间浪费的强大工具，基于机器学习和分子指纹的筛选方法以不可思议的速度崛起，为目标性能快速筛选最有前途的MOFs并为实验的合成提供了理论指导。随着大数据时代的来临，理论计算与实验的结合使对大规模材料的性能的探索成为了可能，可靠的计算分析能够在研究开始时预测和指导实验的定向合成，或在实验完成后从原理上解释现象和发现。目前公开的技术不够准确、快速地筛选出性能最优的MOFs 材料，浪费大量的时间在实验和计算上面，不利于目标性能MOFs材料的研发进程。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种面向氪/氙分离金属有机框架膜的分子指纹设计方法，基于金属有机框架膜的描述符和MOF膜对氪/氙分离的性能参数建立数据集，快速筛选出优异性能的MOFs材料，且准确筛选出优异的官能团，以解决上述技术问题。

本发明为实现上述目的，提供如下的技术方案：

一种面向氪/氙分离金属有机框架膜的分子指纹设计方法，其特征在于包括以下步骤：

S1、采集金属有机框架膜的描述符和MOF膜对氪/氙分离的性能参数，基于金属有机框架膜的描述符和MOF膜对氪/氙分离的性能参数建立数据集，把所述数据集分为P1、P2、P3和 P4四个区域；

S2、根据渗透量的大小对数据集进行排序；

S3、选择机器学习算法，对数据集的分类进行预测；

S4、在预测准确度最高的算法中的数据集提取MOFs材料的结构的组成；

S5、选择分子指纹的类型，并将提取的MOFs材料的结构的组成用于分子指纹的输入；

S6、根据分类的预测效果定义P4-P1的差值大于等于10％为优异的指纹位号并统计。

进一步地，所述步骤S1中，所述金属有机框架膜的描述符包括孔隙率、最大孔径、比表面积、亨利系数、空限制直径、吸附热、密度，所述性能参数包括渗透量和渗透选择性。

进一步地，所述步骤S3中，所述机器学习算法包括k邻近算法、贝叶斯定理、支持向量机、随机森林。

进一步地，所述步骤S3中，对评价分类准确性的指标包括准确率。

进一步地，所述步骤S4中，通过MOFid软件包实现提取MOFs材料的结构的组成。

进一步地，所述提取MOFs材料的结构的组成，包括提取MOFs的有机链接和金属团簇。

进一步地，所述步骤S5中，所述分子指纹的类型选择包括MACCS。

进一步地，所述步骤S6中，统计具有优异的指纹位号的官能团包括以下步骤：

S11、对预测准确度最高的算法中的数据集提取MOFs材料的结构的组成；

S12、选择分子指纹的类型，并将提取的MOFs的结构组成用于分子指纹的输入；

S13、根据分类的预测效果定义P4-P1的差值大于等于10％为优异的指纹位号并统计。

进一步地，所述S6中，优异的指纹位号为机器学习预测效果好的区域与机器学习预测效果好的区域的差值。

进一步地，所述步骤S12中，分子指纹的类型包括MACCS、Pubchem和ECFP。

本发明的有益技术效果至少在于以下几点：

(1)本发明提出的基于机器学习的方法筛选金属有机框架膜用于氪/氙气体的分离，基于金属有机框架膜的描述符和MOF膜对氪/氙分离的性能参数数据集，通过机器学习算法，可高效率地研究MOFs的定量构效关系以及准确、快速地筛选出性能最优的MOFs材料；

(2)本发明基于分子指纹技术，采用理论指导材料的合成，使得材料的合成具有导向性，节省了大量实验/计算成本和时间，有助于加快目标性能MOFs材料的研发进程。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明实施例设计方法中设计最佳性能的MOF材料的流程示意图。

图2是本发明实施例1中的KNN算法分类的预测渗透量准确度示意图。

图3是本发明实施例1中NB算法分类的预测渗透量准确度示意图。

图4是本发明实施例1中SVM算法分类的预测渗透量准确度示意图。

图5是本发明实施例1中RF算法分类的预测渗透量准确度示意图。

图6是本发明实施例1中KNN算法分类的预测膜的选择性准确度示意图。

图7是本发明实施例1中NB算法分类的预测膜的选择性准确度示意图。

图8是本发明实施例1中SVM算法分类的预测膜的选择性准确度示意图。

图9本发明是实施例1中RF算法分类的预测膜的选择性准确度示意图。

图10是本发明实施例1中四种机器学习算法对渗透量和渗透选择性的预测准确值示意图。

图11是本发明实施例2中优异linker指纹的位号。

图12是本发明实施例2中优异node指纹的位号。

具体实施方式

下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

实施例：

如图1所示，本发明提供的面向氪/氙分离金属有机框架膜的分子指纹设计方法，其包括如下步骤：

S1、采集金属有机框架膜的描述符和MOF膜对Kr/Xe分离的性能参数，基于上述参数建立数据集；

S2、根据渗透量的大小进行排序，并将数据集划分为四个区域(P1、P2、P3和P4)；

S3、选择机器学习算法，对数据集的分类进行预测；

S4、评估分类预测的效果；

具体实施例1：

为了更好地描述本实施例，下面以一具体实例加以说明。

(1)构建数据库：

五个描述符(孔隙率，比表面积，密度，孔径和孔径分布)被用来表述每个MOF膜的结构特征。在RASPA软件包下，直径为

巨正则蒙特卡罗(GCMC)和分子动力学(MD)在环境温度(298K)和1bar下模拟了Xe/Kr＝ 50:50的混合物在每个MOF中的吸附和扩散情况，而渗透可从吸附和扩散的角度估计。模拟箱沿着三维方向分别扩展到

(2)根据渗透量的大小，把数据集分成四个区域：

基于步骤(1)的数据集，把6013个CoRE-MOF数据按照渗透量大小从小到大排序，均分为四个区域，分别是P1(1-1503)、P2(1503-3006)、P3(3007-4509)和P4(4510-6013) 区域。

(3)选择机器学习的模型，预测数据集的分类效果：

选择k邻近算法(KNN)、随机森林(RF)、贝叶斯(NB)、支持向量机(SVM)四种机器学习模型；

四种机器学习的评价准确性的指标准确度accuracy，且准确度越接近1效果更佳；

四种机器学习算法对渗透量的预测准确值如图2-5所示和渗透选择性的预测准确值如图 6-9所示；

MOF膜对Kr/Xe分离的预测与准确性评价：

从图2-9可知，对于渗透量和渗透选择性的分类预测效果，从图10可得，KNN、NB和SVM 三个模型预测的准确度结果相近，相比于其他三种，RF的预测效果比较好，渗透量和渗透选择性的预测效果分别是0.8071和0.7462，这是因为本发明采用的RF算法具有强的泛化能力。

本发明实施例是设计一种分子指纹统计优异的MOF所含有的官能团，对实验设计具有一定的借鉴和实用价值，具体的设计步骤如下：

S1、将预测准确性高的模型中的数据集提取MOFs材料的结构的组成，优异的数据集区域为P4区域，提取MOF的有机链接和金属团簇两部分，并进行文件格式转换；

S2、选择分子指纹的类型，并将提取的MOFs的结构组成用于分子指纹的输入，转换分子指纹的软件包括但不仅限于PaDEL-Descriptor实现，其中指纹类型选择为MACCS,但指纹类型并不限于MACCS，还有Pubchem,ECFP等指纹类型；

S3、对具有优异指纹位号的官能团进行统计，对机器学习预测效果值最高的区域P4和机器学习预测效果值最低的区域P1差值为优异的指纹位号，如图11和图12所示。

综上所述，本发明面向氪/氙分离金属有机框架膜的分子指纹设计方法，是一种基于机器学习的金属有机框架膜用于氪/氙分离的筛选方法，通过对金属有机框架膜的结构描述符和氪 /氙体系的分离的渗透量和渗透选择性建立数据集，把数据集按照渗透量的大小进行排序，接着选择合适的机器学习算法，然后将预测精确度高的区域的材料进行结构提取，并转换成指纹，最后统计具有优异指纹位号，该方法可高效快速筛选目标性能的材料。

本发明提供的设计方法，能够快速筛选出优异性能的MOFs材料，且准确筛选出优异的官能团，具有显著的实用价值。

尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。