[發明專利]毒劑模擬劑DMMP提純金屬有機框架吸附劑的機器學習方法

在審

• 申請號: 202210807608.X
• 申請日: 2022-07-11
• 公開（公告）號: CN115527631A
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 喬智威;王雯菲
• 申請（專利權）人: 廣州大學
• 主分類號: G16C60/00
• 分類號: G16C60/00;G16C20/70;G16C20/90;G06N5/00;G06N20/00
• 代理公司: 廣州高炬知識產權代理有限公司 44376
• 代理人: 孔令環

本發明公開了毒劑模擬劑DMMP提純金屬有機框架吸附劑的機器學習方法，該方法首先針對待研究的MOF系列以及DMMP、N2、O2的氣體吸附分離體系，運用機器學習中的自動機器學習、隨機森林、梯度提升決策樹和梯度提升回歸算法，結合CoRE?MOF的孔隙率、最大孔徑、體積比表面積、限制孔隙直徑、密度、吸附熱、和亨利系數，以及其對空氣中DMMP的吸附量、選擇性，預測性能較優的MOF，進而評估機器學習算法對MOF性能預測的準確性。本發明采用機器學習方法進行預測，可有效縮短找出適合吸附DMMP的MOF的時間，采用模擬計算指導吸附劑的合成，能夠減少開發新的MOF吸附劑的試錯成本，并降低所需要的時間、物質資源。

技術領域

本發明涉及計算化學與納米復合催化材料技術領域，具體涉及毒劑模擬 劑DMMP提純金屬有機框架吸附劑的機器學習方法。

背景技術

金屬有機框架(MOF)材料是一種由金屬節點、有機鏈接以不同的拓撲結構組合的有機-無機雜化材料。因其具有諸多優良的特性，受到了研究者們廣泛的關注。與傳統的沸石、活性炭等吸附材料相比，MOF具有比表面積大、孔隙率高、微孔結構和形狀可調、結構和功能變化多樣的特點，這些優良特性讓MOF被廣泛應用在氣體儲存、吸附分離、光學、催化、藥物負載等方面，其中就包括毒劑模擬劑的吸附領域。因此，對MOF材料定量構效關系進行深入的研究，探索其結構與性能的關系，將對開發高性能的MOF有著重要的意義。

隨著被合成的MOF數量不斷增加，從龐大的MOF數據庫中發現對于不同 組分氣體具有高性能的MOF成為了一個巨大的挑戰。通過傳統實驗試差具有一定的盲目性，過程繁瑣，需要消耗大量的時間、金錢與人力資源，且某些試劑的使用可能會對實驗人員有一定的危害。

因此巨正則蒙特卡洛模擬方法和分子動力學被用于計算模擬MOF的性能。 這兩種方法可實現大量MOF對不同氣體組分吸附性能的有效評價，從而快速發現最佳目標材料，并揭示其構效關系。雖然這兩種方法可以加速材料的發現，但也存在計算量大、計算速度較慢等缺點。面對日益增加的MOF數量，僅靠以上方法已經很難滿足開發新材料的需要。因此，開發一種更加快速高效、且耗費資源較少的篩選方法十分緊迫。

發明內容

(一)解決的技術問題

針對現有技術的不足，本發明提供一種毒劑模擬劑DMMP提純金屬有機框 架吸附劑的機器學習方法，具備可提高高性能MOF材料的篩選與開發速度， 使MOF材料的研發具有明確導向性，避免傳統“試錯”方法導致的一系列問 等優點，以解決巨正則蒙特卡洛模擬方法和分子動力學用于計算模擬MOF的 性能時，存在的計算量大、計算速度較慢等問題。

(二)技術方案

為實現上述可提高高性能MOF材料的篩選與開發速度，使MOF材料的研 發具有明確導向性，避免傳統“試錯”方法導致的一系列問題目的，本發明 提供如下技術方案：

一種毒劑模擬劑DMMP提純金屬有機框架吸附劑的機器學習方法，包括以 下步驟：

S1、通過巨正則蒙特卡洛模擬得到金屬有機框架材料(MOF)的幾何描述 符、能量描述符，以及MOF對體系中DMMP的吸附性能，基于以上參數建立數 據集；

S2、把數據集劃分為訓練集和測試集；

S3、選擇機器學習算法，運用訓練集迭代地訓練機器學習模型，并調整 模型的超參數，直至模型預測MOF材料的權衡值的準確程度滿足精度要求；

S4、將測試集中的描述符參數作為模型輸入，利用訓練好的模型預測測 試集數據對應的權衡值，并計算預測的準確程度，以及定量描述模型對不同 描述符的預測能力。

優選的，所述步驟S1中，體系是混合有DMMP、N2、O2的空氣體系，MOF 對空氣中的DMMP的吸附。