基于生成模型的高甲烷吸附率MOFs的生成与筛选
天然气是一种性价比很高的家用能源，其中85％的气体是甲烷，甲烷燃烧后仅产生水和二氧化碳，因此它还具有干净环保的优点。然而天然气的存储不易，而金属有机骨架化合物（Metal-Organic Frameworks，MOFs）含有极为微小的孔隙，可用于存贮甲烷。不同MOFs对甲烷的吸附能力不同。发现高性能的新型MOFs是一个在无穷的搜索空间进行查找的过程，需要研究人员花费大量时间进行多次实验。为了提高新型MOFs的搜索效率，本文提出了一种基于生成模型的高甲烷吸附率MOFs的生成与筛选的方法:首先对MOFs数据集内的样本设计了简化分子线性输入规范(Simplified Molecular Input Line Entry Specification,SMILES)、原子坐标矩阵、原子点状图、三维网格空间四种容易获取且直观的数据表示形式，针对上述数据格式分别设计并训练Char-RNN、VAE、DCGAN、3DGAN四种生成模型，从中挑选出生成效果最佳的模型并生成大量样本，然后设计评估模型来判断生成样本是否属于假设性MOFs，最后比较朴素贝叶斯(Naive Bayes，NB)、k最邻近（k-Nearest Neighbor，kNN）、逻辑回归(Logistic Regression，LR)、支持向量机(Support Vector Machine，SVM)、卷积神经网络(Convolutional Neural Networks，CNN)、长短期记忆网络（Long Short-Term Memory，LSTM）、多层感知机(Multilayer Perceptron，MLP)七种分类模型对MOFs甲烷吸附率的预测效果，挑选综合性能最佳的分类模型对被评估为假设性MOFs的生成样本进行预测，筛选出高甲烷吸附率的假设性MOFs。MOFs的结构信息中隐含着相关的各种物理、化学属性，利用此方法可以挖掘、学习结构与最终性能之间的非线性构效关系，为在实验室合成新型MOFs提供可能。 实验表明，使用SMILES作为MOFs的表示形式，Char-RNN作为生成模型，CNN作为分类模型时本方法的性能最佳。此时生成样本的语法正确率达到63.89％，语法正确样本中被认定为假设性MOFs的样本占比达到88.26％，分类模型的准确率达到94.37％。
天然气存储;金属有机骨架化合物;生成模型;深度学习;分子指纹;甲烷吸附率
北京化工大学
硕士
软件工程
卢罡
2020
中文
TE82
2020-11-17（万方平台首次上网日期，不代表论文的发表时间）