Quantitative Structure–Property Relationship Models for Recognizing Metal Organic Frameworks (MOFs) with High CO<sub>2</sub> Working Capacity and CO<sub>2</sub>/CH<sub>4</sub> Selectivity for Methane Purification
Notice bibliographique
Résumé
Metal‐organic frameworks (MOFs) can theoretically yield a nearly infinite number of nanoporous materials, which represents a combinatorial design challenge that demands computational tools rather than experimental trial‐and‐error. Here we report Quantitative Structure–Property Relationship (QSPR) models to identify high‐performing MOFs for methane purification solely using geometrical features. The CO 2 working capacity and CO 2 /CH 4 selectivity of ca. 320,000 hypothetical MOF structures was computed at conditions relevant to natural gas purification using grand canonical Monte‐Carlo (GCMC) simulations. Using 32,500 MOF structures we calibrated binary decision tree (DT) and support vector machine (SVM) models that can accurately identify high‐performing MOFs based on their pore size, void fraction and surface area. DT models yielded guidelines of pore size, void fraction and surface area for designing high‐performing materials. The SVM machine learning classifiers could be used to quickly pre‐screen MOFs, such that compute intensive GCMC simulations are not performed on all structures. The SVM classifiers were tested on ca. 290,000 MOFs that were not part of the training set and could correctly identify up to 90 % of high‐performing MOFs while only flagging a fraction of the MOFs for more rigorous screening. QSPR models constitute efficient computational tools for the virtual screening of large structural libraries and provide rational design rules for the discovery of sorbents for methane purification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».