基于深度学习的MOFs甲烷气体吸附值预测研究

发布时间：2022-02-27 22:20

　　金属有机框架（Metal-Organic Framework）,简称MOF,是由有机配体和金属离子或团簇通过配位键自组装形成的具有分子内孔隙的有机-无机杂化材料。通过将特定气体分子捕捉在MOFs孔隙中,特定结构的MOFs可以对特定的气体具有吸附作用。甲烷CH4就是MOFs研究中的一种目标气体。各种有机配体和金属离子在不同拓扑结构下的可能组合结果是几乎无限数量的潜在MOFs。当寻找对CH4最佳的吸附材料时,需要通过研究和计算MOFs的物理、化学特性,对其针对CH4吸附性能进行筛选。然而,由于MOFs的配体组合结构具有非常大的随机性,通过分子模拟方法在MOFs空间中高效地寻找对吸附甲烷气体的高性能MOFs是几乎不可能的。使用机器学习方法可以构建多个物理、化学特征与气体吸附性能之间的非线性关系,从而找到MOFs中对气体吸附性能影响较高的物理、化学特征,进而较好地预测MOFs对指定气体的吸附性能。但是MOFs的各种物理、化学特征需要通过大量的模拟分析计算得到,工作量巨大,而且采用机器学习方法往往依赖于选择的物理化学特征,导致得到的预测模型不具有一定的通用性。CIF文件是一种描述了新标准晶体学的... 

【文章来源】：北京化工大学北京市211工程院校教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 MOFs研究
        1.2.2 深度学习研究
        1.2.3 基于机器学习的MOFs性能预测
    1.3 本课题研究内容
    1.4 本文组织结构
第二章 MOF的CIF存储格式与机器学习
    2.1 MOF的CIF存储格式
        2.1.1 CIF文件概述
        2.1.2 CIF发展历程
        2.1.3 CIF语法
        2.1.4 CIF词典
        2.1.5 CIF优势
        2.1.6 CIF文件的应用
    2.2 机器学习算法
        2.2.1 传统机器学习算法
        2.2.2 深度学习
        2.2.3 卷积神经网络
        2.2.4 数据预处理方法
        2.2.5 优化器函数
        2.2.6 评估指标
    2.3 本章小结
第三章 基于深度学习的MOFs气体吸附值预测模型
    3.1 CIF-CNN基本框架
    3.2 CIF-CNN分类器
    3.3 CIF-CNN回归器
    3.4 本章小结
第四章 实验设计与验证
    4.1 实验对象
    4.2 数据预处理
        4.2.1 数据增强
        4.2.2 原子坐标变换
    4.3 分类器的实验结果及分析
        4.3.1 分类器实验结果
        4.3.2 不同分类器实验对比
        4.3.3 不同优化器算法的比较
    4.4 回归器的实验结果及分析
        4.4.1 回归器实验结果
        4.4.2 不同回归器实验对比
    4.5 CIF-CNN模型结果及分析
    4.6 本章小结
第五章 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
附录


【参考文献】：
期刊论文
[1]金属有机骨架材料的合成及吸附性能的研究进展[J]. 张兴晶,王璐瑶,尉兵,马博男,祝贺,车广波.  吉林师范大学学报(自然科学版). 2015(03)
[2]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[3]应用Multi-Langmuir模型评价土壤的表面电荷特性[J]. 王代长,蒋新,贺纪正,卞永荣,饶伟.  土壤学报. 2009(04)
[4]密度泛函理论的若干进展[J]. 黄美纯.  物理学进展. 2000(03)

博士论文
[1]调控肿瘤乏氧微环境的纳米药物设计和应用[D]. 马寅初.中国科学技术大学 2019

硕士论文
[1]Zr基卟啉MOFs材料PCN-224-Ms对CH4/CO2吸附与分离的理论研究[D]. 徐文彬.中国石油大学(华东) 2016



本文编号：3645394