發(fā)布時間：2022-02-27 22:20

　　金屬有機框架（Metal-Organic Framework）,簡稱MOF,是由有機配體和金屬離子或團簇通過配位鍵自組裝形成的具有分子內孔隙的有機-無機雜化材料。通過將特定氣體分子捕捉在MOFs孔隙中,特定結構的MOFs可以對特定的氣體具有吸附作用。甲烷CH4就是MOFs研究中的一種目標氣體。各種有機配體和金屬離子在不同拓撲結構下的可能組合結果是幾乎無限數量的潛在MOFs。當尋找對CH4最佳的吸附材料時,需要通過研究和計算MOFs的物理、化學特性,對其針對CH4吸附性能進行篩選。然而,由于MOFs的配體組合結構具有非常大的隨機性,通過分子模擬方法在MOFs空間中高效地尋找對吸附甲烷氣體的高性能MOFs是幾乎不可能的。使用機器學習方法可以構建多個物理、化學特征與氣體吸附性能之間的非線性關系,從而找到MOFs中對氣體吸附性能影響較高的物理、化學特征,進而較好地預測MOFs對指定氣體的吸附性能。但是MOFs的各種物理、化學特征需要通過大量的模擬分析計算得到,工作量巨大,而且采用機器學習方法往往依賴于選擇的物理化學特征,導致得到的預測模型不具有一定的通用性。CIF文件是一種描述了新標準晶體學的... 

【文章來源】：北京化工大學北京市211工程院校教育部直屬院校

【文章頁數】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究現狀
        1.2.1 MOFs研究
        1.2.2 深度學習研究
        1.2.3 基于機器學習的MOFs性能預測
    1.3 本課題研究內容
    1.4 本文組織結構
第二章 MOF的CIF存儲格式與機器學習
    2.1 MOF的CIF存儲格式
        2.1.1 CIF文件概述
        2.1.2 CIF發(fā)展歷程
        2.1.3 CIF語法
        2.1.4 CIF詞典
        2.1.5 CIF優(yōu)勢
        2.1.6 CIF文件的應用
    2.2 機器學習算法
        2.2.1 傳統機器學習算法
        2.2.2 深度學習
        2.2.3 卷積神經網絡
        2.2.4 數據預處理方法
        2.2.5 優(yōu)化器函數
        2.2.6 評估指標
    2.3 本章小結
第三章 基于深度學習的MOFs氣體吸附值預測模型
    3.1 CIF-CNN基本框架
    3.2 CIF-CNN分類器
    3.3 CIF-CNN回歸器
    3.4 本章小結
第四章 實驗設計與驗證
    4.1 實驗對象
    4.2 數據預處理
        4.2.1 數據增強
        4.2.2 原子坐標變換
    4.3 分類器的實驗結果及分析
        4.3.1 分類器實驗結果
        4.3.2 不同分類器實驗對比
        4.3.3 不同優(yōu)化器算法的比較
    4.4 回歸器的實驗結果及分析
        4.4.1 回歸器實驗結果
        4.4.2 不同回歸器實驗對比
    4.5 CIF-CNN模型結果及分析
    4.6 本章小結
第五章 結論與展望
    5.1 結論
    5.2 展望
參考文獻
致謝
研究成果及發(fā)表的學術論文
作者和導師簡介
附錄


【參考文獻】：
期刊論文
[1]金屬有機骨架材料的合成及吸附性能的研究進展[J]. 張興晶,王璐瑤,尉兵,馬博男,祝賀,車廣波.  吉林師范大學學報(自然科學版). 2015(03)
[2]深度學習的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)
[3]應用Multi-Langmuir模型評價土壤的表面電荷特性[J]. 王代長,蔣新,賀紀正,卞永榮,饒偉.  土壤學報. 2009(04)
[4]密度泛函理論的若干進展[J]. 黃美純.  物理學進展. 2000(03)

博士論文
[1]調控腫瘤乏氧微環(huán)境的納米藥物設計和應用[D]. 馬寅初.中國科學技術大學 2019

碩士論文
[1]Zr基卟啉MOFs材料PCN-224-Ms對CH4/CO2吸附與分離的理論研究[D]. 徐文彬.中國石油大學(華東) 2016



本文編號：3645394