Article
Multi-criteria computational screening of [BMIM][DCA]@MOF composites for CO2 capture
Mengjia Sheng, Xiang Zhang*, Hongye Cheng, Zhen Song, Zhiwen Qi*
https://doi.org/10.1016/j.gce.2024.07.002
扫码或复制链接获取原文
1. 文章导读
从工业烟气中捕获CO2对我们地球的可持续发展具有重要。吸附法因其低成本和高能效而受到越来越多的关注。近年来的研究表明,通过IL对MOF进行合成后改性,可以显著改变其对特定分子的亲和力,从而提升其吸附性能。然而,由于IL和MOF的种类繁多,利用实验方法合成和测试所有可能的复合物结构显然是不切实际的。因此,实现材料性能的快速预测成为指导高效吸附剂设计与开发的关键。
近期,华东理工大学漆志文教授课题组采用分子模拟和机器学习方法,实现了IL@MOF复合材料在CO2吸附性能方面的快速预测,并探讨了调整IL负载量对选择性与工作容量的影响。文章发表在Green Chemical Engineering(GreenChE),题为“Multi-criteria computational screening of [BMIM][DCA]@MOF composites for CO2 capture”。
2. 研究亮点
1. 提出了一种用于CO2/N2分离的IL@MOFs快速筛选方法。
2. 采用机器学习模型准确预测CO2/N2选择性及CO2的工作容量。
3. 通过调整IL负载量,优化选择性与工作容量之间的权衡。
3. 内容概述
本研究首先通过分子模拟将IL负载于MOF的孔隙中,构建IL@MOF复合物结构,并利用GCMC模拟计算部分复合物的CO2/N2吸附分离性能。随后,计算了234个结构描述符和化学描述符,经筛选后用于机器学习模型训练。最后,利用训练好的CNN模型对剩余未进行GCMC模拟的结构进行性能预测,并进行进一步的筛选和分析(如图1所示)。
图1. 分子模拟和机器学习辅助预测和筛选的工作流程图。
结果表明,CNN模型在选择性和工作容量的预测中均表现出较高的准确性(R2 > 0.9),表明可以实现对复合物性能的快速预测(如图2a和2b所示)。基于计算和预测结果,研究通过选择性和工作容量两个指标进行多标准筛选,成功筛选出高性能的候选材料(图2c中蓝色球形点)。此外,通过结构-性能分析,给出了PLD、ρ 、 ϕ 等指标的最优范围,发现兼具高选择性和大工作能力的材料设计存在一定困难,这进一步证明了使用两个指标进行筛选的必要性。
图2. (a, b)CNN模型预测与GCMC模拟结果比较;(c)筛选结果。
图3探讨了IL负载量对复合物性能的影响,结果显示,随IL负载量的增加,CO2吸附量和工作容量均有所下降,而选择性则呈现出不同的变化趋势。研究将这些变化归因于IL堵塞导致的总孔体积减少以及IL与MOF之间潜在的协同作用的权衡。
图3. IL负载量对材料吸附性能的影响:(a)CO2和N2吸附量;(b)选择性和工作容量。
4. 总结与展望
该课题组的主要研究方向为溶剂强化的反应与分离过程。近年来,围绕化学工程与人工智能进行学科交叉,开展了一系列利用人工智能进行性能预测、分子和材料设计等方面的研究。
通过结合分子模拟和机器学习方法,本研究实现了IL@MOF材料的快速筛选,并进一步分析探究了影响材料性能的因素。该工作不仅筛选出了高性能的复合物结构,还为CO2/N2体系分离的吸附剂结构设计提供了一定的设计指导。
5. 通讯作者简介
漆志文 教授
漆志文,华东理工大学特聘教授、博导,德国马普学会伙伴研究团队负责人,江苏省双创团队负责人,中国化工学会离子液体专业委员会委员,中国化工学会过程强化技术专业委员会委员。主要研究方向包括溶剂强化的反应与分离过程、计算机和机器学习辅助分子设计、复杂过程优化与集成。以第一/通讯作者发表SCI论文190余篇,授权专利20余项。
张翔 研究员
张翔,华东理工大学特聘研究员、博导,主要研究方向围绕大数据人工智能与化学工程进行学科交叉,开展溶剂分子系统工程的应用基础研究。已在AIChE J.、Chem. Eng. Sci.和Ind. Eng. Chem. Res.等化工主流学术期刊发表SCI论文30余篇,被引800余次,H-指数16。
撰稿:原文作者
编辑:GreenChE编辑部
声明:此文是出于传递更多信息之目的。部分图片、资料来源于网络,版权归原作者所有,如有侵权请联系后台删除。