机器学习高效筛选用于CO2/N2选择性吸附分离的沸石材料

目前,针对气体吸附性能的测定及材料设计筛选,传统的实验法耗时耗力,因此分子力学方法中的巨正则蒙特卡洛(GCMC)方法已被广泛应用于该领域中,但日益增长的材料数目使得GCMC方法的计算量越来越高.为解决这一问题,本文提出了一种基于机器学习(ML)方法的吸附材料的筛选框架,包含ML模型的建立、理想化PSA工艺模型筛选材料及GCMC方法的验证三个阶段.首先,建立人工神经网络模型,提出了沸石材料的结构描述符"天然构造单元(NBU)"对特定条件下的气体吸附量进行预测.对于CO2和N2气体,分别构建了两个拓扑结构不同的多层前馈神经网络.其次,通过理想吸附溶液理论(IAST)将纯组分的吸附等温线转化为摩尔分数为0.14/0.86的CO2/N2二元混合物吸附等温线,并根据一系列吸附材料评估指标筛选出11种最佳沸石材料,并从中选出4种沸石(MON、ABW、NAB和VSV)计算其GCMC的吸附数据.结果表明,它们对N2的吸附能力远低于CO2,因此对两种气体的吸附选择性较高,能够很好地从二元混合物中分离CO2.