[发明专利]一种针对混合基质膜MMM分离CO2

权利要求书

1.一种针对混合基质膜MMM分离CO₂的机器学习方法，其特征在于，包括如下步骤：

S1、通过巨正则蒙特卡洛模拟得到金属有机框架材料的几何描述符、能量描述符，以及金属有机框架材料对管道烟气体系中CO₂渗透性能，通过麦克斯韦方程得到MMM渗透性性能，基于所述CO₂渗透性能和所述MMM渗透性性能建立数据集；

S2、把所述数据集划分为训练集和测试集，运用三折交叉验证，并对所述数据集进行归一化处理；

S3、选择机器学习算法，运用所述训练集迭代地训练机器学习模型，并调整所述机器学习模型的超参数，直至所述机器学习模型预测MMM材料的权衡值的准确程度满足精度要求；

S4、将所述测试集中的描述符参数作为机器学习模型输入，利用训练好的机器学习模型预测所述测试集数据对应的权衡值，并计算预测的准确程度，以及定量描述机器学习模型对不同描述符的预测能力。

2.根据权利要求1所述的针对混合基质膜MMM分离CO₂的机器学习方法，其特征在于，所述管道烟气体系是混合有氮气、甲烷、烟气和氢气的管道烟气体系。

3.根据权利要求1所述的针对混合基质膜MMM分离CO₂的机器学习方法，其特征在于，所述几何描述符包括最大孔径、体积表面积、空隙率和密度；所述能量描述符为吸附热；聚合物描述符为聚合物密度和聚合物自由体积。

4.根据权利要求3所述的针对混合基质膜MMM分离CO₂的机器学习方法，其特征在于，所述最大孔径用Zeo++软件计算；所述孔隙率和体积比表面积用RASPA软件分别以直径0.258nm的氦气和直径0.364nm的氮气为探针计算得到；吸附热是使用RASPA软件的NVT-MC法在无限稀释状态下计算每个分子在金属有机框架材料中的吸附能得到的。

5.根据权利要求1所述的针对混合基质膜MMM分离CO₂的机器学习方法，其特征在于，所述MMM渗透性性能包括对CO₂的渗透性、渗透选择性、渗透性和渗透选择性的权衡值指标。

6.根据权利要求1所述的针对混合基质膜MMM分离CO₂的机器学习方法，其特征在于，所述训练集和测试集的比例是7:3。

7.根据权利要求1所述的针对混合基质膜MMM分离CO₂的机器学习方法，其特征在于，所述机器学习算法包括但不限于不仅限于随机森林、决策树、e-Xtreme梯度增强、K最近邻居、支持向量机、梯度增强决策树、反向传播神经网络算法。

8.根据权利要求1所述的针对混合基质膜MMM分离CO₂的机器学习方法，其特征在于，所述调整机器学习模型的超参数的方法包括但不限于随机搜索、网格搜索。

9.根据权利要求1所述的针对混合基质膜MMM分离CO₂的机器学习方法，其特征在于，所述准确程度的指标为Pearson线性相关系数R值。