1. 毕业设计（论文）主要内容：

近年来发展的材料基因组技术为推动新材料设计与开发、缩短新材料研发周期提供了强有力的支撑作用，在诸多研究热点如光伏材料、纳孔材料等应用领域产生了非常明显的推动作用。

mtv-mofs材料是由金属团簇与混合有机链接体组装形成的一类特殊金属有机骨架材料，因具备较高的比表面积、自由孔体积和化学稳定性，在气体储存、气体分离与催化等领域具有潜在应用价值。

本课题以李松等建立的mtv-mofs材料数据库为研究对象，采用支持向量机（svm）、随机森林（rf）、梯度提升回归树（gbrt）等机器学习方法建立其甲烷存贮性能的构效关系模型，对mtv-mofs材料不同描述参数的选择、训练组数据的提取方法以及不同机器学习方法对模型预测能力的影响进行合理评价，为进一步提高多孔骨架材料构效关系模型预测精度、以材料碳捕集性能为导向进行高通量筛选奠定理论与实践基础。

2. 毕业设计（论文）主要任务及要求

主要任务及要求：

1. 查阅不少于20篇相关文献资料，其中英文文献不少于5篇，撰写开题报告；

2. mtv-mofs数据库的整理及数据预处理，得到可供机器学习使用的输入数据；

3. 毕业设计（论文）完成任务的计划与安排

时间安排：

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

4. 主要参考文献

[1] DrummondM L, Cundari T R, Wilson A K. Cooperative Carbon Capture Capabilities inMultivariate MOFs Decorated with Amino Acid Side Chains: A ComputationalStudy[J]. Journal of Physical Chemistry C, 2016, 117(28):14717–14722.

[2] Borboudakis G , Stergiannakos T , Frysali M ,et al. Chemically intuited, large-scale screening of MOFs by machine learningtechniques[J]. NPJComputational Materials, 2017,3:40.

[3] Li S , Chung Y G , Simon C M , et al. High-ThroughputComputational Screening of Multivariate Metal-Organic Frameworks (MTV-MOFs) forCO₂ Capture [J]. Journal ofPhysical Chemistry Letters, 2017,8(24):6135-6141.