国产期刊Green Energy Environ.：面向空气中微量甲醛捕获的疏水金属-有机框架的高通量计算和机器学习预测

背景介绍

随着全球工业化的发展，空气污染越来越严重，而挥发性有机物(Volatile Organic Compounds, VOCs)被认为是主要污染源之一。作为VOCs中最常见和最典型的一种有害物质，甲醛广泛存在于我们的生活当中，从涂料、家居到化妆品和服饰都会存在一定量的甲醛。即使是微量的甲醛，也会对呼吸道粘膜、皮肤、眼睛等产生刺激，甚至会引发肿瘤和癌症。对于VOCs的去除，吸附法具有反应条件温和，反应完全，二次污染小等优点，因此得到了广泛应用。吸附剂在吸附过程中起决定性作用，疏水型吸附剂可以避免在湿环境中被水分子优先占据吸附位点从而影响吸附效果。

近年来，一类被称为“金属-有机框架（MOF）”的多孔配位聚合物成为了新材料界的研究热点，受到了学术界的广泛关注。MOF由金属离子和有机配体自组装构成，骨架柔韧，也被称作“软沸石”，但事实上它比沸石等传统的无机材料拥有更大的比表面积、孔隙率以及孔结构功能化和设计多样化的潜力。其结构特性，包括拓扑、孔径、形状和表面化学，因其本身的积木性质，都是可以根据实际需要调节的。MOF的筛选逐渐与计算机融合并应用，呈现出了学科交叉的趋势，基于分子模拟和机器学习(ML)的高通量计算筛选已经成为了评判MOF性能极限的一种高效方法，通过数据挖掘技术和机器学习算法分析和预测材料的结构性能规律，可以筛选或设计出最具有应用前景的吸附材料。尽管MOF常见于VOCs的吸附领域，但很少有关于捕获低浓度甲醛的报道。

成果简介

针对室内或者车内空气中甲醛含量超标的问题，广州大学的乔智威首先从137953个假设的MOFs中筛选出了31399个疏水的MOFs(hMOFs)，通过高通量计算筛选了它们对于微量甲醛(13.41mg/m³)的吸附效果，即吸附量(N_HCHO)和选择性(S_HCHO/N2+O2)，并引入了权衡值TSC。作者应用了四种ML方法(即反向传播神经网络(BPNN)，支持向量机(SVM)，极限学习机(ELM)和随机森林(RF))对划分出来的三个数据集(AM，P_N和P_S)的三个性能指标(N_HCHO,S_HCHO/N2+O2和TSC)进行性能预测。作者发现，就预测的准确性而言，P_S> AM > P_N，TSC >N_HCHO>S_HCHO/N2+O2，RF > BPNN > SVM > ELM；RF算法在P_S数据集中对TSC进行预测时，能量描述符亨利系数(K_HCHO)和吸附热(Q⁰_st)的相对重要性最高，分别为40.315%和18.321%。作者以统计数据集中有希望的MOF及数据集在各描述符的区间下的个数为出发点，定量地定义了在描述符路径下寻找到最优吸附剂的概率，在P_N数据集中，由K_HCHO(0.004-0.008 mol/kg/Pa)和Q⁰_st(37-46 KJ/mol)筛选到优异MOF的概率分别可达到100%和77.419%，这为MOF的快速筛选提供了可能。相关成果以“Machine Learning and High-Throughput Computational Screening of Hydrophobic Metal-Organic Frameworks for Capture of Formaldehyde from Air”发表于国产期刊Green Energy Environ.期刊上。

图文导读

图一、四种算法对P_S数据集的TSC性能的预测

(a) BPNN算法；(b)SVM算法；(c)ELM算法；(d)RF算法。色谱柱的颜色代表MOF数量以10为底的对数。

图二、从空气中分离甲醛的六个描述符的数值分布

圈里的数字代表MOFs的个数；外圈代表P_N的1461个MOFs；内圈代表其206个有希望的MOFs。

图三、各数据集根据六个描述符获得优异MOFs的概率

小结

MOF作为新一代多孔材料近年来受到了广泛关注，对VOC气体的捕获也是其应用的重要分支，但是针对现实中极低浓度VOC的捕获仍然具有挑战。作者以从空气中捕获低浓度甲醛为目标，通过高通量计算筛选，机器学习算法以及路径定义相结合的研究新思路，获得了关于疏水MOF结构-性能方面的规律，将对湿环境低浓度甲醛的吸附剂设计提供可靠的参考和指导作用。

文献链接：Machine Learning and High-Throughput Computational Screening of Hydrophobic Metal-Organic Frameworks for Capture of Formaldehyde from Air (Green Energy Environ., 2020, DOI: 10.1016/j.gee.2020.06.024)

本文由广州大学乔智威教授团队投稿。