本發明提供了一種對九種有機氣體的篩選方法、系統、設備及介質，九種有機氣體包括Xe、CH4、Kr、N2、H2S、O2、CO2、H2和He，該方法包括如下步驟：S1、采集MOF的結構參數和所述九種有機氣體的擴散分離性能參數和分子物理性質參數，建立數據集；S2、通過機器學習算法對擴散分離性能參數進行回歸預測；S3、評估不同的機器學習模型及其回歸預測效果；S4、根據評估結果對MOF進行篩選。本發明不僅能夠定量描述模型對材料預測能力，而且能夠快速高效篩選出高性能的材料用于目標體系的應用，顯著節約了時間和成本。此外，本發明用于篩選的優異機器學習模型對于其它氣體也具有較好的適用性。

技術領域

本發明涉及計算化學與納米復合催化材料技術領域，具體涉及一種對九種有機氣體的篩選方法、系統、設備及介質。

背景技術

工業過程中化學分離相關的大量能源的使用為尋求更節能的分離方法提供了強有力的驅動。涉及分子吸附到納米孔中的化學分離可以大致分為平衡分離或動力學分離。平衡分離的選擇性是由吸附劑相對于另一種分子吸附親和力的控制。相反，在動力學分離中，由于化學物質通過吸附劑中空隙的遷移速率不同，從而實現了選擇性。比如膜分離，分子的擴散性起著關鍵作用。分子擴散性在基于吸附的分離中也很重要，因為他們定義了達到平衡所需的時間尺度。利用分子擴散速率不同而實現的分離具有高效、低能耗、綠色環保等特點，近年來受到廣泛的關注。然而，實現擴散分離技術的廣泛應用，關鍵在于研發出具有優異性能的材料。

金屬有機框架(MOF)材料是一種由無機結構單元(金屬離子、團簇或鏈)與有機配體通過不同的拓撲結構組合而成的納米多孔材料。與傳統的多孔材料相比，由于具有更大的比表面積、更高的孔隙率以及孔結構可調等特點，可在氣體儲存、吸附分離、催化和藥物負載等領域廣泛應用，其中包括作為金屬有機框架膜(MOFs)材料實現氣體混合物的高效分離。因此，通過建立MOFs的結構描述符以及氣體分子的物理性質及差異與MOFs材料的性能的定量構效關系，并深入的研究，對開發出具有高性能的MOFs具有著重要的意義。

隨著通過計算機技術以及實驗合成出的MOFs數量不斷增加，通過傳統實驗難以高效篩選出具有高性能的MOFs，且實驗過程往往需要消耗大量的時間及金錢等成本，同時，部分化學試劑對實驗人員及環境存在一定的危害。

因此巨正則蒙特卡洛(GCMC)和分子動力學(MD)模擬方法被用于計算模擬MOFs的性能。這兩種方法可實現多種氣體在大量MOFs的滲透性能的有效評價，從而高效篩選出最佳目標材料。盡管上述的模擬方法可有效降低篩選最佳材料過程中所需的時間及金錢等成本，但由于存在計算量大、計算速度較慢等缺點，面對不斷增大的MOFs數據庫，僅通過分子模擬計算難以實現高效篩選或研發出具有優異性能的MOFs，因此，研究更高效的研究方法迫在眉睫。近年來，隨著計算機技術的不斷發展，機器學習可通過模擬與實現人類學習行為獲得新的知識，并在此基礎上不斷提高自身性能。目前，機器學習已被廣泛應用于篩選各種具有優異性能的材料。

發明內容

本發明的目的在于提供一種對九種有機氣體的篩選方法、系統、設備及介質，以解決現有技術存在的難以高效篩選出具有高性能的MOFs，且實驗過程往往需要消耗大量的時間及金錢等成本，同時，部分化學試劑對實驗人員及環境存在一定的危害等問題。

為了達到上述目的，本發明提供如下的技術方案：

在本發明的第一個方面，提供了一種對九種有機氣體的篩選方法，所述九種有機氣體包括Xe、CH₄、Kr、N₂、H₂S、O₂、CO₂、H₂和He，具體包括以下步驟：

S1、采集MOF的結構參數和所述九種有機氣體的擴散分離性能參數和分子物理性質參數，建立數據集；

S2、通過機器學習算法對擴散分離性能參數進行回歸預測；

S3、評估不同的機器學習算法及其回歸預測效果；