机器学习算法预测MTV-MOFs材料碳捕集性能研究开题报告

 2020-02-20 09:02

1. 研究目的与意义(文献综述)

传统化石能源(石油与煤炭)消耗释放出大量co2,由此导致的温室效应成为引起全球关注的重要环境问题之一。在过去十几年里,金属有机框架(mofs)材料因具备极高的比表面积、独特的孔道结构。在洁净能源、co2捕集与存贮及co2催化转化等方面显示出极大的应用潜力。mofs是有机配体与金属单元通过自组装而形成的具有周期性网络结构的晶体材料。构成mofs材料的金属单元可以是金属离子或金属簇,有机配体可以是刚性、半刚性或柔性的有机分子。因此mofs材料形成的孔道具有近乎无限的可扩展性。于是根据mofs材料应用需求,实现定向分子设计成为可能。但是要合成结构稳定、孔道可调节、co2捕集性能优异的mofs材料,依然面临极大的挑战。尤其是在创建材料结构与性能关系纽带上,存在难以逾越的鸿沟。

对此deng等人首先提出并合成了mtv-mofs材料,让mofs材料的官能团连接体能够多样化的组合。他们以1,4-苯二甲酸酯为连接体进行官能团化,对mtv-mofs提出了组建的方法。此外deng等人发现的一种mofs材料mtv-mof-5-ehi(官能团e:-no2;h:-(oc3h5)2;i:-(oc7h7)2),在多个方面上都有明显的增强。这个发现也进一步促进了关于mtv-mofs材料的关注和发展。此外katzenmeyer等人采用类似的mixmofs描述,通过ptir技术对in-mil-68-mixmofs(一种复合光催化剂的mofs材料),在高分辨下来确定mtv-mofs材料的分布情况,以及当发生反应时反应位点的影响。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

基本内容:

1. 对李松建立的mtv-mofs数据库的进行整理及数据预处理,并对其模拟的各个mofs材料挖掘其内在的参数,得到可供机器学习使用的输入数据

2. 选用svm、rf和gbrt等机器学习方法对数据进行训练、测试,并逐步寻找优化机器学习参数,提高模型预测精度以及加快模型学习时间的方法;之后可使用分类的模型筛选出具有较高的吸附量的mofs材料。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

第1-2周:资料收集、整理,撰写开题报告,完成英文翻译

第3-5周:熟悉多孔骨架材料碳捕集研究的应用背景,掌握机器学习数据的预处理、模型建立及参数调优方法以及各种机器学习算法的实现

第6-9周:mtv-mofs数据库的整理及数据预处理

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1] drummond m l, cundari t r, wilson a k.cooperative carbon capture capabilities in multivariate mofs decorated withamino acid side chains: a computational study[j]. journal of physical chemistryc, 2016, 117(28):14717–14722.

[2] borboudakis g , stergiannakos t ,frysali m , et al. chemically intuited, large-scale screening of mofs bymachine learning techniques[j]. npj computational materials, 2017,3:40.

[3] li s , chung y g , simon c m , et al.high-throughput computational screening of multivariate metal-organicframeworks (mtv-mofs) for co2 capture [j]. journal of physical chemistryletters, 2017, 8(24):6135-6141.

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。