Identification of Metal–Organic Frameworks for near Practical Energy Limit CO <sub>2</sub> Capture from Wet Flue Gases: An Integrated Atomistic and Process Simulation Screening of Experimental MOFs
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Metal–organic framework (MOF) materials have attracted significant attention as solid sorbents for low energy CO 2 capture with adsorption-based gas separation processes. In this work, an integrated screening workflow combining a series of atomistic and process simulations was applied to identify promising MOFs for a 4-step pressure-vacuum swing adsorption (P/VSA) process at three different CO 2 flue gas compositions (6%, 15% and 35%). Starting from 55,818 unique experimentally characterized MOFs, ∼19k porous MOFs were investigated via atomistic grand canonical Monte Carlo (GCMC) simulations and machine learning model-based process optimizations to accelerate the screening of a large candidate database. Thousands of MOFs were identified for each of the CO 2 compositions tested that could achieve within 4% of the practical energy limit of dry CO 2 capture for the P/VSA process while still meeting the 95% CO 2 purity and 90% recovery constraints. From this pool, 3D MOFs without open metal sites were subjected to the multicomponent (CO 2 /N 2 /H 2 O) GCMC simulations at 40% relative humidity. Based on these simulations, hundreds of MOFs were identified at each CO 2 composition that could retain 90% of their CO 2 capture at this humidity while also adsorbing a minimal amount of water. A geometric analysis of these high performing materials revealed that narrow, straight 1D-channels were a common structural motif for low energy wet flue gas CO 2 capture with P/VSA.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».