Data-driven design of metal-organic frameworks for wet flue gas CO2 capture
Notice bibliographique
Résumé
In this entry is a database of 324,426 hypothetical Metal-Organic Frameworks (MOFs) that were used in a study to screen potential carbon dioxide scrubbers. Using a method to assemble these materials with topological blueprints, we only selected materials that could be accurately represented with the MEPO-QEq charge generation method. By ensuring that the electrostatic potential is accurately represented in these materials, screening for CO2 adsorption properties would result very few false positives/negatives. The atom-centered charges reported in the CIF file for each MOF were derived from the MEPO-QEq method, which can be found under the '_atom_type_partial_charge' column in each CIF file. The relevant data for each MOF is reported in accompanying .csv files. Post-combustion flue gas was simulated at a temperature of both 298K and 0.15 bar CO2, and 313K and 0.15 bar CO2. Mixture adsorption was simulated with the conditions 298K and 0.15:0.85 CO2/N2 with a total pressure of 1 bar. The data file reports working capacities, which is the difference of adsorption of CO2 between two thermodynamic state points. The adsorption state point(s) are mentioned above, and two desorption values were simulated; 0.1 bar CO2 at 363K (vacuum swing adsorption) and 0.7 bar CO2 at 413K (temperature swing adsorption). The data presented in the main manuscript correspond to vacuum swing conditions. Over 8,000 materials were selected for more refined simulations, including re-defining partial atomic charges with the REPEAT method, and more detailed simulations to obtain common chemical patterns surrounding CO2 binding sites (adsorbaphores). There is an additional .csv file with these refined calculations that accompany this entry titled 'top_MOFs_screening_data.csv'.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».