下载客户端

南京工业大学--基于机器学习高通量设计筛选用于氦气分离的MOF混合基质膜

浙江省膜学会

关注

2025-02-10 15:03

浙江

来源：澎湃新闻·澎湃号·政务

✦

膜技术前沿

南京工业大学金万勤教授团队近期于Journal of Membrane Science期刊（2025, 717, 123612）发表题为基于机器学习高通量设计筛选用于氦气分离的MOF混合基质膜的文章。该文章第一作者为硕士研究生吴佳胜，通讯作者为郭亚楠副教授和刘公平教授。

研究亮点

♦ 基于包含456,872个样本的MOF混合基质膜大数据集，开发了四种机器学习模型

♦ 获得了用于制备高性能混合基质膜的定量的材料结构与性能参数

♦ XGBoost机器学习模型在新的hMOF/聚合物数据集上表现出良好的泛化能力

♦ 筛选出具有He/CH4分离前景的hMOF/聚合物混合基质膜

文章简介

氦气（He）为不可再生的战略性资源，化学性质不活泼，被广泛用于超导实验、核磁共振分析仪超导磁体冷却剂、气相色谱载气等多领域且缺乏替代物。膜分离技术在天然气提氦中显示出巨大的潜力。其中，混合基质膜被认为是分离氦气的最具有前景的材料之一，但由于填料种类繁多以及膜结构的复杂性，用于氦气分离的混合基质膜设计仍处于“试错”阶段。在本工作中，作者结合高通量计算模拟数据和实验数据，构建了MOF混合基质膜构效大数据集，实现了对混合基质膜性能的直接预测与筛选。

混合基质膜大数据集构建过程如图1所示。首先，选取CoRE MOF 2019数据库中的10143个结构有序的MOF，计算每个MOF的最大空腔直径（LCD, Å）、孔隙限制直径（PLD, Å）、密度（ρ, g/cm3）、可及比表面积（VSA, m2/cm3）、孔隙率（ɸ）等几何与物理特征量。分别采用巨正则蒙特卡洛（GCMC）方法和分子动力学（MD）模拟方法计算气体分子在每个MOF中的亨利常数（K0）和扩散系数（D0），进而根据公式P=K0 * D0和Si/j=Pi/Pj计算得到气体的渗透性数据和选择性数据。从Web of Science核心集中搜集26种聚合物膜实验测试的He和CH4渗透性数据，通过Maxwell模型计算出混合基质膜的气体渗透性和选择性数据，构建出包含456,872个样本、14个特征量的混合基质膜初始大数据集。

图1混合基质膜大数据集构建策略与机器学习研究示意图

清洗掉冗余特征量之后，利用该大数据集开发机器学习模型。考虑了决策树（DT）、随机森林（RF）、轻量梯度提升机（LightGBM）和极端梯度提升（XGBoost）四种常用于解决回归问题的机器学习算法。用随机搜索交叉验证法对每种模型进行超参数调优，通过观测学习曲线，避免模型过拟合，获得最优的超参数组合，建立分别用于预测混合基质膜He渗透性和选择性的机器学习模型。通过均方根误差（RMSD）与平均绝对误差（MAE）两个损失函数和拟合优度R2评估模型性能，结果表明XGBoost模型优于其他三种模型（如图2所示）。

图2四种机器学习模型的R2、RMSE和MAE结果

通过沙普利值（SHAP）分析、一维和二维部分依赖性分析（图3）等模型解释技术对最优的XGBoost模型进行分析，揭示了材料构效关：当MOF载量在20 vol.%以内时，聚合物的性质包括聚合物种类、气体渗透性和选择性对混合基质膜He渗透性和选择性的影响要高于MOF填料；MOF填料的孔隙率对混合基质膜性能的影响要高于其孔隙限制直径；混合基质膜具有高MOF载量是混合基质膜具有高的He分离性能的必要条件。另外，还获得了制备具有优异He/CH4分离性能混合基质膜的定量材料结构与性能参数：聚合物基质的He/CH4选择性大于900、He渗透性高于1600 Barrer并且CH4渗透性尽可能低；MOF填料的孔隙率大于0.5、孔隙限制直径介于2.6 Å和3.2 Å之间。

图3二维部分依赖性分析图谱

所开发的XGBoost模型在新的hMOF/聚合物数据集上表现出优异的预测性能（图4），说明该模型具有良好的泛化能力。通过混合基质膜渗透性-选择性散点图（图5）可知，具有最优分离性能的混合基质膜由聚合物FPIM-1或PFMD构成，出现频率最高的MOF是hMOF-5069317，这表明该MOF是制备具有高He分离性能混合基质膜的潜在无机填料。