[发明专利]一种高甲烷吸附率MOFs生成与筛选的方法

说明书

本发明公开了一种高甲烷吸附率MOFs生成与筛选的方法，获取到数据集内MOFs的简化分子线性输入规范并利用SMILES计算分子指纹，使用循环神经网络模型生成大量假设性MOFs的SMILES表示形式，设计评估模型来判断生成样本的有效性，同时设计并比较不同分类器与不同输入数据的分类效果，筛选出性能最佳的分类器，最后使用训练好的分类器对评估为有效的假设性MOFs的样本进行甲烷吸附性能的预测，筛选出高甲烷吸附率的假设性MOFs，为在实验室合成高甲烷吸附率的MOFs提供参考。

技术领域

本发明属于功能MOFs智能生成和筛选技术领域，特别涉及一种高甲烷吸附率MOFs生成与筛选的方法。

背景技术

甲烷是一种应用十分广泛的清洁能源，但是它的传统存储方式比较耗能，人们仍在寻找更加的存贮方式。由于金属有机骨架化合物(Metal-Organic Frameworks，MOFs)是由无机金属中心(金属离子或金属簇)与桥连的有机配体通过自组装相互连接形成的一类具有周期性网络结构的晶态多孔材料，它具有纳米级孔隙，这些孔隙使MOFs能够有效地捕获气体分子，所以MOFs可以用于甲烷的存储，进而具有更高的甲烷吸附率的MOFs是技术人员研究的重点。

对于寻找或设计新型MOFs这个问题，传统的研究思路是通过合成新配体或改变配位方式等方式来获得高性能的新型结构的MOFs。然而传统方法需要大量人工参与，实验进展缓慢。随着MOFs十几年来的发展，已经积累了大量数据，使得通过人工智能进行数据训练设计并且筛选有效的化学结构的新材料成为可能。

发明内容

本发明的目的在于提供一种高甲烷吸附率MOFs生成与筛选的方法，通过人工智能进行数据训练设计并且筛选具有高甲烷吸附率化学结构的MOFs以提高搜索效率，为在实验室合成高甲烷吸附率的MOFs提供参考依据。

技术方案如下：

一种高甲烷吸附率MOFs生成与筛选的方法，包括以下步骤：

1)计算SMILES表示形式；

2)使用SMILES计算分子指纹；

3)构建并训练RNN模型生成假设性MOFs的SMILES表示形式；

4)构建评估模型判断RNN模型生成样本的有效性；

5)筛选性能最佳分类器；

6)通过性能最佳分类器对评估为有效MOFs的假设样本进行甲烷吸附性能的预测以筛选出高甲烷吸附率的假设性MOFs。

优选的，所述步骤2)中分子指纹形式包括MACCS、RDKit、Morgan和Avalon。

优选的，所述步骤3)中，RNN模型采用最原始的输入和输出序列等长的结构，采用LSTM提升模型处理长期依赖的能力，模型的损失函数采用交叉熵。

优选的，所述步骤4)中，首先计算数据集内每个样本的MACCS、RDkit、Morgan和Avalon分子指纹的Tanimoto系数以衡量最大相似度，并求其平均值得到相应数据分布图，再计算RNN模型生成样本与数据集内样本的MACCS、RDkit、Morgan和Avalon分子指纹的平均最大相似度，最后设定置信区间，若生成样本的计算结果在对应置信区间内，则认为生成样本属于有效MOFs的假设样本。

优选的，所述步骤5)具体为：将数据集内大部分样本作为训练集，另一部分样本作为测试集，运用卷积神经网络、长短期记忆网络、多层感知机、朴素贝叶斯、k最邻近、逻辑回归、支持向量机分类器，结合训练集内的SMILES表示形式和分子指纹输入数据对MOFs的甲烷吸附率的高低进行训练，使用测试集内的数据对计算出的各分类器的准确率、精确率、召回率、F1分数、AUC分类指标进行度量以筛选出综合性能最佳的分类器。

本发明的有益效果为：