基于孔径分布曲线的MOFs材料缺陷结构预测方法技术

本发明专利技术公开了一种基于孔径分布曲线的MOFs材料缺陷结构预测方法，首先，以一种MOFs的完美晶体结构为母体，基于计算机模拟遍历该MOFs配体缺失缺陷的含量和分布，生成MOFs的缺陷结构数据库；然后基于计算机模拟计算出所有缺陷结构的孔径分布曲线，对孔径分布曲线进行间隔取点，得到不同孔径下对应的孔径分布，并整理成数据集；再利用数据集训练机器学习模型；最后将待测的MOFs材料的孔径分布曲线输入到训练好的机器学习模型中，由机器学习模型预测出对应的缺陷含量。本发明专利技术可通过孔径分布曲线快速准确地确定MOFs材料的缺陷含量。线快速准确地确定MOFs材料的缺陷含量。线快速准确地确定MOFs材料的缺陷含量。

【技术实现步骤摘要】
基于孔径分布曲线的MOFs材料缺陷结构预测方法


[0001]本专利技术涉及MOFs材料缺陷程度测量
，特别涉及一种基于孔径分布曲线的MOFs材料缺陷结构预测方法。

技术介绍

[0002]金属有机骨架(Metal
‑
organic frameworks,MOFs)材料是一种新型多孔材料，由金属离子或无机团簇通过有机配体以配位键或共价键桥接形成的具有一维、二维或三维周期性无限网络结构的无机
‑
有机杂化材料。MOFs具有发达的孔隙结构、较高的比表面积和孔隙率以及结构的可调节性和稳定性，相比于其他传统多孔材料在吸附分离方面具有优异的性能。与传统晶体缺陷的产生过程相似，若MOFs的自组装合成过程被外界因素所干扰，则会产生具有配体缺失和金属簇缺失两种缺陷类型的MOFs材料。向MOFs结构中有意地引入这两种缺陷可以调节其外表面性质、内部孔隙结构以及产生额外的开放金属位点，由此合成的缺陷MOFs在吸附、分离、催化等方面具有相比于完美结构更为优异的性能，用缺陷工程对MOFs材料进行改性是具有潜力的一种方法。
[0003]目前，原位实验表征技术(如XRD等)的精度仍难以探测出MOFs上微小的结构变化，因此大部分关于缺陷MOFs的研究停留在对缺陷的定性表征以及对缺陷含量的调控上。然而，传统的实验表征技术相当费时费力，耗费的时间和实验成本在一定程度上阻碍了针对缺陷MOFs的构
‑
效关系研究。而计算机分子模拟虽然能够从分子层面上定量研究MOFs缺陷的构
‑
效关系，但是传统的分子模拟是一种计算密集型技术，倘若计算机系统研究MOFs材料中所有可能的缺陷类型，这将产生海量的计算量，会耗费巨大的计算资源和时间成本。因此，本领域需要一种快速预测MOFs材料缺陷结构的方法，能够比较精准地描述缺陷的含量。

技术实现思路

[0004]本专利技术的第一目的在于克服现有技术的缺点与不足，提供一种基于孔径分布曲线的MOFs材料缺陷结构预测方法，该方法可以利用孔径分布曲线快速预测MOFs材料的缺陷含量，准确度高且具有普适性。
[0005]本专利技术的第二目的在于提供一种基于孔径分布曲线的MOFs材料缺陷结构预测装置。
[0006]本专利技术的第三目的在于提供一种计算机可读存储介质。
[0007]本专利技术的第四目的在于提供一种计算设备。
[0008]本专利技术的第一目的通过下述技术方案实现：一种基于孔径分布曲线的MOFs材料缺陷结构预测方法，包括如下步骤：
[0009]S1、以一种MOFs的完美晶体结构为母体，基于计算机模拟遍历该MOFs配体缺失缺陷的含量和分布，生成MOFs的缺陷结构数据库；
[0010]S2、基于计算机模拟计算缺陷结构数据库中所有缺陷结构的孔径分布曲线；
[0011]S3、对步骤S2中的孔径分布曲线进行间隔取点，得到不同孔径下对应的孔径分布，
并整理成数据集；
[0012]S4、利用数据集训练机器学习模型，以孔径分布曲线作为模型输入特征，以孔径分布曲线所对应的缺陷含量作为模型输出的预测目标变量，迭代模型的超参数，直至模型的预测准确性满足精度要求；
[0013]S5、将待测的MOFs材料的孔径分布曲线输入到训练好的机器学习模型中，由机器学习模型预测出对应的缺陷含量。
[0014]优选的，在步骤S1中，遍历缺陷的含量范围为0.1～0.9；缺陷的分布采用Warren
‑
Cowley参数定量描述，参数范围为
‑
1.0～1.0；
[0015]Warren
‑
Cowley参数定义为：
[0016][0017]其中，α表示Warren
‑
Cowley参数；假设有机配体分为A、B两组，定义A组中的配体为A配体，定义B组中的配体为B配体，B配体表示缺陷形成时丢失的配体，A配体表示剩余的配体，P
A(B)
表示B配体在A配体邻近，也即A、B配体连接同一个节点所出现的概率；x
B
表示B配体占所有配体的比例。
[0018]优选的，通过蒙特卡洛方法计算孔径分布，生成孔径分布曲线。
[0019]优选的，在步骤S3中，取点的间隔为
[0020]优选的，在步骤S4训练机器学习模型的过程中，采用随机取样的方式并按比例将数据集划分训练集和测试集，利用训练集建模，利用测试集评估模型所预测的缺陷含量的准确性，以对模型进行调参。
[0021]更进一步的，评估模型的预测准确性时，计算的误差包括可决系数、平均绝对误差、均方差、均方根误差。
[0022]优选的，机器学习模型包括决策回归树、随机森林、k近邻、梯度提升回归树的其中一种；调节模型超参数的方法包括网格搜索法、随机搜索法、贝叶斯优化的其中一种。
[0023]本专利技术的第二目的通过下述技术方案实现：一种基于孔径分布曲线的MOFs材料缺陷结构预测装置，包括：
[0024]缺陷结构数据库生成模块，用于以一种MOFs的完美晶体结构为母体，模拟遍历该MOFs配体缺失缺陷的含量，生成MOFs的缺陷结构数据库；
[0025]孔径分布曲线计算模块，用于模拟计算缺陷结构数据库中所有缺陷结构的孔径分布曲线；
[0026]数据集构建模块，用于对孔径分布曲线进行间隔取点，得到不同孔径下对应的孔径分布，并整理成数据集；
[0027]模型训练模块，用于利用数据集训练机器学习模型，以孔径分布曲线作为模型输入特征，以孔径分布曲线所对应的缺陷含量作为模型输出的预测目标变量，迭代模型的超参数，直至模型的预测准确性满足精度要求；
[0028]预测模块，用于将待测的MOFs材料的孔径分布曲线输入到训练好的机器学习模型中，由机器学习模型预测出对应的缺陷含量。
[0029]本专利技术的第三目的通过下述技术方案实现：一种计算机可读存储介质，存储有程
序，所述程序被处理器执行时，实现本专利技术第一目的所述的基于孔径分布曲线的MOFs材料缺陷结构预测方法。
[0030]本专利技术的第四目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本专利技术第一目的所述的基于孔径分布曲线的MOFs材料缺陷结构预测方法。
[0031]本专利技术相对于现有技术具有如下的优点及效果：
[0032](1)本专利技术结合机器学习技术与传统分子模拟方法，提出了基于孔径分布曲线的MOFs材料缺陷结构预测方法，该方法以一种MOFs材料所有可能的缺陷结构为基础，以孔径分布曲线为机器学习模型的输入特征，利用机器学习来实现预测MOFs材料的缺陷含量，既能做到准确度高，又能高效完成缺陷的预测，能够为后续研究缺陷MOFs的定量构效关系提供高质量的材料学数据。
[0033](2)本专利技术方法基于缺陷材料的孔径分布曲线即可快速预测缺陷材料的缺陷含量，因此容易应用至多种MOFs材料缺陷程度的定量测量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孔径分布曲线的MOFs材料缺陷结构预测方法，其特征在于，包括如下步骤：S1、以一种MOFs的完美晶体结构为母体，基于计算机模拟遍历该MOFs配体缺失缺陷的含量和分布，生成MOFs的缺陷结构数据库；S2、基于计算机模拟计算缺陷结构数据库中所有缺陷结构的孔径分布曲线；S3、对步骤S2中的孔径分布曲线进行间隔取点，得到不同孔径下对应的孔径分布，并整理成数据集；S4、利用数据集训练机器学习模型，以孔径分布曲线作为模型输入特征，以孔径分布曲线所对应的缺陷含量作为模型输出的预测目标变量，迭代模型的超参数，直至模型的预测准确性满足精度要求；S5、将待测的MOFs材料的孔径分布曲线输入到训练好的机器学习模型中，由机器学习模型预测出对应的缺陷含量。2.根据权利要求1所述的MOFs材料缺陷结构预测方法，其特征在于，在步骤S1中，遍历缺陷的含量范围为0.1～0.9；缺陷的分布采用Warren
‑
Cowley参数定量描述，参数范围为
‑
1.0～1.0；Warren
‑
Cowley参数定义为：其中，α表示Warren
‑
Cowley参数；假设有机配体分为A、B两组，定义A组中的配体为A配体，定义B组中的配体为B配体，B配体表示缺陷形成时丢失的配体，A配体表示剩余的配体，P
A(B)
表示B配体在A配体邻近，也即A、B配体连接同一个节点所出现的概率；x
B
表示B配体占所有配体的比例。3.根据权利要求1所述的MOFs材料缺陷结构预测方法，其特征在于，通过蒙特卡洛方法计算孔径分布，生成孔径分布曲线。4.根据权利要求1所述的MOFs材料缺陷结构预测方法，其特征在于，在步骤S3中，取点的间隔为5.根据权利要求1所述的MOFs材料缺陷结构预测方法，...

【专利技术属性】
技术研发人员：奚红霞，段海鹏，吴颖，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：