华中科技大学李松课题组,利用机器学习预测多孔材料水吸附等温线

多孔材料的水吸附等温线是一个非常重要的参数,但这一参数的获得并不容易。这是因为多孔材料种类过多、结构多元,通过实验和计算的方式获得水吸附等温线数据成本过高,耗时过长。

华中科技大学的李松课题组,建立了一个两步机器学习模型,训练 AI 通过材料的结构参数预测水吸附等温线参数和后续应用性能。

作者|加零

编辑|雪菜、李慧、三羊

在水净化、水脱盐、水收集和吸附热转换等过程中,多孔材料有着巨大的应用。这些吸附驱动应用中,诸如表面亲水性、解吸滞后性和吸水性等结构特性,都可能影响多孔材料的性能。这些结构特性都可以从水吸附等温线 (water adsorption isotherms) 中获得。

那么,如何获得材料的水吸附等温线呢?

如果以实验的方式,获得几种吸附剂的水吸附等温线并不困难,但多孔材料种类众多,如剑桥结构数据库中已录入 10 万余种多孔材料数据,对它们一一合成和测试显然是不合理的。

如果以计算的方式,通过吸附剂晶体结构分子模拟可以得到水吸附等温线,但计算成本极高,难以大规模预测。

而机器学习能够归纳处理大批量的数据,并从中提取规律,且在材料性质预测中有一定的应用案例。基于此,来自华中科技大学的李松课题组建立机器学习模型,训练 AI 提取多孔材料结构参数以预测水吸附等温线,并在此基础上进一步估算各种吸附剂的冷却性能和后续应用。

成果已发表在「Journal of Materials Chemistry A」期刊上

论文链接:

Machine learning-assisted prediction of water adsorption isotherms and cooling performance - Journal of Materials Chemistry A (RSC Publishing)

01 实验过程

数据集EWAID 数据库

研究者从 3.0 版的水吸附等温线数据库 EWAID 中选择了 460 种纳米多孔吸附剂,包括金属-有机骨架 (MOFs)、共价有机骨架 (COFs) 和具有确定晶体结构的沸石 (zeolites) ,通过文献调研获取其水吸附等温线数据。

EWAID:experimental water adsorption isotherm database

在选取的 460 种吸附剂中有 148 种具有所有的结构特征,相关结构参数为可达表面积 (Sa) 、有效孔容 (Va) 和孔径 (Dp) 。

采用通用吸附等温线模型 (UAIM, universal adsorption isotherm model) 拟合 148 种吸附剂的水吸附等温线,得到材料在不同压力 (P) 下 298K 的吸水量 (W)。

将吸附剂的结构特征和吸附性能数据 (Sa、Va、Dp、 P 和 W) 输入机器学习模型进行训练。

从 EWAID 中选择的吸附剂

模型架构两步 ML 策略

研究者们开发了两步 ML 策略:

从数据库中提取多孔材料的结构参数 (Sa、Va、 Dp) 和吸附压力 P 作为参数,输入 ML: S-I 模型,利用机器学习对水吸附等温线进行预测。

估计出水吸附等温线后,提取 3 个参数:饱和吸附容量 (Wsat),等温线的阶跃位置 (α) 和亨利常数 (KH) ,输入 ML: I-P 模型。计算吸附式制冷系统的性能系数 (COPC, the coefficient of performance for cooling) 和吸附剂/水工质对的比制冷效果 (SCE, specific cooling effects),评价其吸附冷却性能。

两步机器学习策略示意图

算法训练RF 和 ANN 综合应用

采用 Scikit-learn 模块开发机器学习模型,采用 RF(随机森林) 和 ANN 两种算法进行两步机器学习训练。

数据集 80% 的样本被随机选取作为训练集,其余 20% 作为测试集。

训练过程中,为了确定算法的最优超参数 (hyper-parameters) ,采用五重交叉验证的方法测试不同超参数组建立的模型,根据测定系数 R2 确定最优超参数。

02 从结构到等温线:S-I 流程

性能验证数据库内等温线预测

RF 准确性优于 ANN

根据 148 种训练吸附剂的结构特征和吸附性能数据  (Sa、 Va、 Dp、 P 和 W),采用 ML 模型对水吸附等温线进行预测。由下表可知, RF 模型在预测水吸附等温线方面具有较高的准确性。

RF 和 ANN 预测精度

由下图 a 可见,这些吸附剂的吸水量分布在 0 ~ 2.0 g/g 之间,大部分在 0 ~ 0.8 g/g 之间。

由下图 b 的相对重要性分析可见,吸附压力 (P) 对吸水量影响最大,二者成正相关。在固定压力下,吸附剂的结构特征,特别是表面积和孔隙体积决定吸水量多少。

RF 模型对吸水性的相关预测

RF 模型预测的精度更高

将数据库中具有不同结构特性的几种典型吸附剂作为实验对象,对比 EWAID 实验数据和 RF 模型预测的水吸附等温线。

数据库中主要有 4 种水吸附等温线类型,I 型(图 a、c 所示的倒 L 形),V 型(图 d、f 所示的典型 S 形),IV 型和 VI 型(图 g、i 所示的两个或多个吸附步骤的形状)。

由下图可见,无论等温线的类型和吸附材料的结构性质如何,吸附等温线预测值与实验值均具有较高的一致性,这验证了 RF 模型的高精度。

水吸附等温线预测结果:灰色表示 EWAID 实验数据,蓝色表示 RF 模型预测数据

RF 可识别微小结构差异,灵敏度更高

改变 MOF 族吸附剂的金属 (MOF-74-M 和 CUK-1-M,M = Co,Mg,Ni) 和功能基 (MIL-101-Cr + X,X = NH2,SO3H,NO2) 研究结构差异导致的水吸附等温线变化。

改性后结构参数见下表:

吸附剂的结构特征

对应的水等温线预测结果见下图:

水等温线预测结果 菱形表示 EWAID 实验数据,圆点表示 RF 预测结果

针对结构差异微小的吸附剂,RF 模型准确地预测了水吸附等温线的差异,展现了高精度和高灵敏度。

性能拓展数据库外等温线预测

为了进一步验证 RF 模型的适应性,研究者们选择 EWAID 数据库中不包含的吸附剂 (ZJU-210-Al,NU-405-Zr和 iso-NU-1000-Zr ) 进行测试,结果如下图。

水等温线预测结果 灰色表示实验数据,蓝色表示 RF 模型预测数据

由图 a、b 可见,RF 模型对 ZJU-210-Al 和 NU-405-Zr 的水吸附等温线有较好的预测。在图 c 中,RF 模型对 ISO-NU-1000-Zr 的高压吸水量预测值低于实验值。

这一预测偏差的产生,可能是因为 EWAID 数据库中没有足够数量的高吸附量样本(吸水量 > 0.8 g/g),也可能是对 ISO-NU-1000-Zr 的结构描述不充分。

对具有微小结构差异的吸附剂开展研究,结果如下图:

水等温线预测结果 菱形表示 EWAID 实验数据,圆点表示 RF 预测结果

UiO-67-Zr 与 UiO-66-Zr 相比,配体的附加苯环有疏水性,在图 d 中,UiO-67-Zr 的水吸附等温线向高压方向移动。

MOF-303-Al 与 CAU-23-Al 相比有更高的亲水性,在图 e 中,MOF-303-Al 表现了更小的阶跃位置,水吸附等温线向低压方向移动。

按表面亲水性 UiO-66-Zr + (OH)2 > UiO-66-Zr + NH2 > UiO-66-Zr + CH3 的顺序进行 RF 模型预测。在图 f 中,UiO-66-Zr + NH2 和 UiO-66-Zr + CH3 等温线阶跃位置的预测值大于实验值,向高压方向移动,说明 RF 模型高估了它们的疏水性。

这一偏差的产生,可能是因为在 RF 模型中对吸附剂表面特性的描述符不够丰富,不能有效区分同族但具有不同表面亲水性的吸附剂。

综上,RF 模型对数据库外的多孔材料水吸附等温线预测精度较高,且一定程度上可以分辨材料的结构差异。但相比数据库内的材料预测,会产生一些偏差。可通过补充训练数据,丰富结构特性描述符等方式修正这些偏差。

03 从等温线到性能:I-P 流程

参数提取COPC 和 SCE

以 ML 模型预测的水吸附等温线为基础,提取三个描述符:饱和吸附容量 (Wsat) ,等温线的阶跃位置 (α) 和亨利常数 (KH),对吸附式制冷 (ACs, adsorption chillers) 的性能进行分析。

吸附等温线特征示意图

吸附式制冷性能可根据性能系数 (COPC,the coefficient of performance for cooling) 和吸附剂/水工质对 (adsorbent/water working pairs) 的比制冷效果 (SCE,specific cooling effects) 这两个参数进行评估。

使用描述符 (Wsat,α,KH) ,ML 模型可以快速获得  COPC 和 SCE,而不需要复杂的计算过程。

性能预测等温线参数与性能的关系

根据 460 个吸附剂/水工质对的吸附等温线特征 (Wsat,α,KH),采用 ML 模型对 SCE 和 COPC 进行预测。由下表可知,RF 模型在预测 SCE 和 COPC 方面均具有较高的精度。

RF 和 ANN 预测精度

由下图 a 和 b 可见,绝大多数工质对的 SCE 和 COPC 分别位于 0.400 kJ/kg 和 0.4-0.8 的范围内。

由下图 c 和 d 的相对重要性分析可见,Wsat 在确定 SCE 中占 46% 的重要性,KH 在确定 COPC 中占 58% 的重要性,这意味着 Wsat 和 SCE、KH 和 COPC 之间存在很强的相关性

RF 对 SCE 和  的预测值及相关性分析

从下图可以得知,当三个参数的范围为:Wsat = 0.2-0.8 g/g,α = 0.1-0.3,KH = 10-4 - 10-1 (mol/kg·Pa) 时,冷却性能可维持在 (SCE > 200kJ kg-1,COPC  > 0.7) 这一范围内,此时水吸附等温线为 V 型。

148种吸附剂的 Wsat、α、KH 和冷却性能之间的关系

04 材料科研新范式离不开机器学习

材料科学的指导思想可以总结为四种范式:

  • 经验的试错方法;
  • 物理和化学规律;
  • 计算机模拟;
  • 大数据驱动的科学。

20 世纪 90 年代,Rao 等人在研究陶瓷基复合材料 (CMC) 时,运用 ANN 进行模拟,这是机器学习在材料科学中的开创性应用。

随着科技的发展,第四种范式融合了其他三种范式的优势,近年来,机器学习在材料科学领域可谓是火热,材料的发现、制备和性能分析验证等方向都有它的身影。

机器学习在材料科学中的应用

但是,想让机器学习直接赋能于材料实际应用,研究者们仍然任重道远。

机器学习为我们提供了「结构—性能」的视角,期待研究者们与 AI 协作,真正实现识结构、知性能、促创新,共同探索材料科学新的未来。

参考文献:

[1]https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA03586G

[2]https://www.sciencedirect.com/science/article/abs/pii/S235249282201741X

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/163440.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

可以在uni-app使用的类vconsole.js插件

兴致勃勃在uni-app项目引入调试工具vconsole.js结果真机调试页面空白 怎么办?! 别着急 paradox老师有方法 替代插件下载地址:直接下载插件并引入HbuilderXuni_modules插件 - 类Vconsole APP端调试工具 - HF调试器 - DCloud 插件市场 下载完成在main.js中引入&…

鸿蒙开发环境搭建-deveco-studio 开发工具安装问题()

从华为官网下载工具deveco-studio, 下载地址 HUAWEI DevEco Studio和SDK下载和升级 | HarmonyOS开发者 这是下载后的工具 1、一步步安装步骤 报错了,一般安装都会报这个错误 看似问题不小,其实, 继续下步,就正常了&#xff0c…

栈回溯--在栈里挑出返回地址

GNU Arm Embedded Toolchain project files : GNU Arm Embedded Toolchain arm-none-eabi-addr2line -e F103_Moduel.axf -a -f 08000350 08001d94 0800260c 汇编中: ;HardFault_Handler ; PROC ; EXPORT HardFault_Handler …

神命令tree的魅力你get到了吗?

背景 日常工作中,有时候为了明确表达自己的意思,往往需要输出对应的目录层级结构,手动一个个输入往往显得不那么高级,效率相对较低,这时候拥有可以一键输出目录结构并且可以快速转化为文本的工具就比较方便&#xff0…

工业I/O模块的功能和应用介绍

在工业领域中,不同的设备常常适配不同的通信协议,不同的协议之间无法直接互通,导致现场实施过程中困难重重。工业io模块可以将各种现场信号转化为数字信号,然后传输给控制器进行处理,实现不同设备之间的互通&#xff0…

生命周期评估(LCA)与SimaPro碳足迹分析

SimaPro提供最新的科学方法和数据库以及丰富的数据,使您可以收集和评估产品和流程的环境绩效。通过这种方式,您可以将改变公司产品生命周期的想法提交给您的同事,以便阐明您的业务未来。 SimaPro软件的特点和功能: 完全控制产品生…

【matlab程序】南海土台风画法

【matlab程序】南海土台风画法 图片 往期推荐 图片 【python海洋专题一】查看数据nc文件的属性并输出属性到txt文件 【python海洋专题二】读取水深nc文件并水深地形图 【python海洋专题三】图像修饰之画布和坐标轴 【Python海洋专题四】之水深地图图像修饰 【Python海洋专…

2020年09月 Scratch(三级)真题解析#中国电子学会#全国青少年软件编程等级考试

Scratch等级考试(1~4级)全部真题・点这里 一、单选题(共25题,每题2分,共50分) 第1题 执行下面程序,屏幕上最多会看到多少个苹果? A:10个 B:11个 C:1个 D:无法确定 答案:B 第2题 关于下面程序,说法正确的是 ? A:执行 后,马上执行

数据集笔记:Pems 自行下载数据+python处理

以下载District 4的各station每5分钟的车速为例 1 PEMS网站下载数据 点击红色的 选择需要的station和区域,点击search,就是对应的数据,点击数据即可下载 (这个是station每5分钟的速度数据) 2 pems 速度数据 2.1 每一…

DLL劫持漏洞

以下是自己学习时做的一些笔记,希望对各位有所帮助 DLL劫持漏洞 为什么程序中会有dll的存在 对于 Windows 操作系统,操作系统的大部分功能都由 DLL 提供。 另外,当您在这些 Windows 操作系统之一上运行某一程序时,该程序的很多…

如何通过类似于Android adb install apk 命令安装三方Harmony Hap包

安装命令 hdc install xxx.hapOpenHarmony设备安装Hap应用的五种方式 https://www.51cto.com/article/762223.htmlhttps://www.51cto.com/article/762223.html DevEco Studio 3.1为例新建个项目,点击File->Project Structure 进入签名页面然后点击Sign in登录华…

Adobe 家族系列download

adobe 前言 Adobe公司的产品线中拥有多个家族桶,下面是Adobe全家桶产品的功能介绍: Creative Cloud(创意云):包含Photoshop、Illustrator、InDesign、Premiere Pro、After Effects、Lightroom等创意设计、视频制作和…

java springboot测试类鉴定虚拟MVC请求 返回内容与预期值是否相同

上文 java springboot测试类鉴定虚拟MVC运行值与预期值是否相同 中 我们验证了它HTTP的返回状态 简单说 校验了他 是否成功的状态 这次 我们来不对得到的内容 我们 直接改写测试类代码如下 package com.example.webdom;import org.junit.jupiter.api.Test; import org.springf…

FreeRTOS学习之路,以STM32F103C8T6为实验MCU(2-3:任务切换)

学习之路主要为FreeRTOS操作系统在STM32F103(STM32F103C8T6)上的运用,采用的是标准库编程的方式,使用的IDE为KEIL5。 注意!!!本学习之路可以通过购买STM32最小系统板以及部分配件的方式进行学习…

使用 css 实现文字单行居右, 换行居左展示

给外层盒子设置居右展示, 子盒子设置居左。 原理是,如果子盒子没有换行,那么子盒子的长度就是内容的长度,它根本没有空间将字体移动居左,父盒子的居左样式就会生效,子盒子就会居左展示。 当子盒子里面的文字换行了&…

在SOLIDWORKS中如何提升保存PDF版本文件的清晰度

随着Solidworks年复一年的不断更新,不仅仅是整个软件的性能上的提升,其在输出文件的功能上也同样在精益求精。 但对于老版本的使用者和希望能让输出文件清晰度更进一步的使用者而言,可能目前我们所能达到的普通文件输出清晰度远远无法达到他们…

这样写Allure生成测试报告,学会直接涨薪5k

Allure是一个开源的测试报告生成框架,提供了测试报告定制化功能,相较于我们之前使用过pytest-html插件生成的html格式的测试报告,通过Allure生成的报告更加规范、清晰、美观。 pytest框架支持使用Allure生成测试报告,接下来让介绍…

SpringBoot整合knife4j生成Api文档

一、介绍 先看效果 ①:Swagger 介绍 Swagger 是一个规范和完整的框架,用于生成、描述、调用和可视化 RESTful 风格的 Web 服务(https://swagger.io/)。 它的主要作用是: 使得前后端分离开发更加方便,有利于团队协作 接口的文档…