[發明專利]一種高甲烷吸附率MOFs生成與篩選的方法

在審

• 申請號: 202010374619.4
• 申請日: 2020-05-06
• 公開（公告）號: CN111755081A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 盧罡;郭安然;陽慶元;李睿琪
• 申請（專利權）人: 北京化工大學
• 主分類號: G16C60/00
• 分類號: G16C60/00;G06K9/62;G06N3/04;G06N3/08;G06N7/00;G06N20/10;G01N33/00
• 代理公司: 北京太兆天元知識產權代理有限責任公司 11108
• 代理人: 王宇

本發明公開了一種高甲烷吸附率MOFs生成與篩選的方法，獲取到數據集內MOFs的簡化分子線性輸入規范并利用SMILES計算分子指紋，使用循環神經網絡模型生成大量假設性MOFs的SMILES表示形式，設計評估模型來判斷生成樣本的有效性，同時設計并比較不同分類器與不同輸入數據的分類效果，篩選出性能最佳的分類器，最后使用訓練好的分類器對評估為有效的假設性MOFs的樣本進行甲烷吸附性能的預測，篩選出高甲烷吸附率的假設性MOFs，為在實驗室合成高甲烷吸附率的MOFs提供參考。

技術領域

本發明屬于功能MOFs智能生成和篩選技術領域，特別涉及一種高甲烷吸附率MOFs生成與篩選的方法。

背景技術

甲烷是一種應用十分廣泛的清潔能源，但是它的傳統存儲方式比較耗能，人們仍在尋找更加的存貯方式。由于金屬有機骨架化合物(Metal-Organic Frameworks，MOFs)是由無機金屬中心(金屬離子或金屬簇)與橋連的有機配體通過自組裝相互連接形成的一類具有周期性網絡結構的晶態多孔材料，它具有納米級孔隙，這些孔隙使MOFs能夠有效地捕獲氣體分子，所以MOFs可以用于甲烷的存儲，進而具有更高的甲烷吸附率的MOFs是技術人員研究的重點。

對于尋找或設計新型MOFs這個問題，傳統的研究思路是通過合成新配體或改變配位方式等方式來獲得高性能的新型結構的MOFs。然而傳統方法需要大量人工參與，實驗進展緩慢。隨著MOFs十幾年來的發展，已經積累了大量數據，使得通過人工智能進行數據訓練設計并且篩選有效的化學結構的新材料成為可能。

發明內容

本發明的目的在于提供一種高甲烷吸附率MOFs生成與篩選的方法，通過人工智能進行數據訓練設計并且篩選具有高甲烷吸附率化學結構的MOFs以提高搜索效率，為在實驗室合成高甲烷吸附率的MOFs提供參考依據。

技術方案如下：

一種高甲烷吸附率MOFs生成與篩選的方法，包括以下步驟：

1)計算SMILES表示形式；

2)使用SMILES計算分子指紋；

3)構建并訓練RNN模型生成假設性MOFs的SMILES表示形式；

4)構建評估模型判斷RNN模型生成樣本的有效性；

5)篩選性能最佳分類器；

6)通過性能最佳分類器對評估為有效MOFs的假設樣本進行甲烷吸附性能的預測以篩選出高甲烷吸附率的假設性MOFs。

優選的，所述步驟2)中分子指紋形式包括MACCS、RDKit、Morgan和Avalon。

優選的，所述步驟3)中，RNN模型采用最原始的輸入和輸出序列等長的結構，采用LSTM提升模型處理長期依賴的能力，模型的損失函數采用交叉熵。

優選的，所述步驟4)中，首先計算數據集內每個樣本的MACCS、RDkit、Morgan和Avalon分子指紋的Tanimoto系數以衡量最大相似度，并求其平均值得到相應數據分布圖，再計算RNN模型生成樣本與數據集內樣本的MACCS、RDkit、Morgan和Avalon分子指紋的平均最大相似度，最后設定置信區間，若生成樣本的計算結果在對應置信區間內，則認為生成樣本屬于有效MOFs的假設樣本。

優選的，所述步驟5)具體為：將數據集內大部分樣本作為訓練集，另一部分樣本作為測試集，運用卷積神經網絡、長短期記憶網絡、多層感知機、樸素貝葉斯、k最鄰近、邏輯回歸、支持向量機分類器，結合訓練集內的SMILES表示形式和分子指紋輸入數據對MOFs的甲烷吸附率的高低進行訓練，使用測試集內的數據對計算出的各分類器的準確率、精確率、召回率、F1分數、AUC分類指標進行度量以篩選出綜合性能最佳的分類器。

本發明的有益效果為：