[发明专利]一种针对混合基质膜MMM分离CO2

说明书

本发明公开了一种针对混合基质膜分离COsubgt;2/subgt;的机器学习方法，包括如下步骤：S1、基于COsubgt;2/subgt;渗透性能和所述MMM渗透性性能建立数据集；S2、对所述数据集进行归一化处理；S3、使机器学习模型预测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。本发明采用机器学习方法进行预测，缩短找出适合分离COsubgt;2/subgt;的MMM的时间，采用模拟计算指导吸附剂的合成，减少开发新的MMM混合基质膜MOF和聚合物组合的试错成本，降低所需要的时间、物质资源。

技术领域

本发明涉及计算化学与纳米复合催化材料领域，具体涉及一种针对混合基质膜MMM分离CO₂的机器学习方法。

背景技术

CO₂的过度排放是导致全球变暖的主要原因，其中燃煤发电厂的CO₂排放量占了全球CO₂总排放量绝大部分。为了减少温室效应，科学家们一直致力于发展可行的方案来分离和处理发电过程中产生的CO₂，而不是将其直接排放到空气中。目前发电厂存在两种处理CO₂的过程：燃烧前捕获和燃烧后捕获，区别在于燃烧前捕获是从气化煤合成气中进行燃烧前捕集，而燃烧后捕获是从烟道气中进行燃烧后捕获。为了减少碳排放，CO₂的燃烧后捕获是非常关键且具有挑战性的，因为煤和空气在锅炉中燃烧，产生的烟气中CO₂的浓度很低(约13％)。胺溶剂捕获CO₂是一种成熟的CO₂分离技术，但由于此类系统设备的成本很高，操作不够稳定，处理规模较小，不适用于燃烧后的碳捕获应用。对于众多适用于燃烧后捕集的新兴技术，如低温分离、沉淀溶剂、吸附剂。从长远来看，膜分离由于其低能量消耗，易于制造，较高的机械性能，被认为是潜在的解决燃烧后CO2捕获方案。然而，Robeson提出纯聚合物存在一种权衡现象：即聚合物膜的高选择性必然导致低渗透性，反之，高渗透性必将导致低选择性。

为了寻求一种同时具备高渗透性和高选择性的膜材料，研究者们逐渐把目光转向的混合基质膜(mixed matrix membrane，MMM)这种将无机纳米粒子分散到聚合物基质的膜材料。聚合物基质易于制造且保留了较高的机械强度，而掺入特定无机纳米颗粒可以改善材料的渗透性能和分离性能。无机纳米材料包括沸石、二氧化硅、碳分子筛和金属有机框架等材料。金属有机框架(MOF)是高度多孔的结晶材料，通过无机金属与有机连接体的自组装形成。

因此巨正则蒙特卡洛模拟方法和分子动力学被用于计算模拟MMM的性能。这两种方法可实现大量MMM对不同气体组分吸附性能的有效评价，从而快速发现最佳目标材料，并揭示其构效关系。虽然这两种方法可以加速材料的发现，但也存在计算量大、计算速度较慢等缺点。面对日益增加的MOF数量，仅靠以上方法已经很难满足开发新材料的需要。因此，开发一种更加快速高效、且耗费资源较少的筛选方法十分紧迫。

发明内容

本发明的目的是提出一种针对混合基质膜MMM分离CO₂的机器学习方法，通过提高高性能MMM材料的筛选与开发速度，使MMM材料的研发具有导向性，避免传统“试错”方法导致的一系列问题。

为了达到上述目的，在本发明提供如下的技术方案：

一种针对混合基质膜MMM分离CO₂的机器学习方法，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；