Die Wasseradsorptionsisotherme poröser Materialien ist ein sehr wichtiger Parameter, der jedoch nicht leicht zu ermitteln ist. Dies liegt daran, dass es zu viele Arten und Strukturen poröser Materialien gibt und die Gewinnung von Daten zur Wasseradsorptionsisotherme durch Experimente und Berechnungen zu kostspielig und zeitaufwändig ist.

Die Forschungsgruppe von Li Song an der Huazhong University of Science and Technology hat ein zweistufiges maschinelles Lernmodell entwickelt, um KI zu trainieren, die Parameter der Wasseradsorptionsisotherme und die anschließende Anwendungsleistung basierend auf den Strukturparametern des Materials vorherzusagen.

Autor｜Jia Ling

Herausgegeben von Xuecai, Li Hui, Sanyang

Poröse Materialien finden enorme Anwendungsmöglichkeiten in der Wasserreinigung, Wasserentsalzung, Wassergewinnung und Adsorptionswärmeumwandlung. Bei diesen adsorptiven Anwendungen können strukturelle Eigenschaften wie Oberflächenhydrophilie, Desorptionshysterese und Wasseraufnahme die Leistung poröser Materialien beeinflussen. Diese Struktureigenschaften können aus Wasseradsorptionsisothermen gewonnen werden.

Wie erhält man also die Wasseradsorptionsisotherme eines Materials?

Es ist nicht schwierig, die Wasseradsorptionsisothermen mehrerer Adsorbentien experimentell zu ermitteln, es gibt jedoch viele Arten poröser Materialien. Beispielsweise sind in der Cambridge Structural Database Daten zu mehr als 100.000 porösen Materialien erfasst. Es ist offensichtlich unvernünftig, sie einzeln zu synthetisieren und zu testen.

Wenn die Wasseradsorptionsisotherme rechnerisch ermittelt wird, kann eine molekulare Simulation der Adsorbenskristallstruktur durchgeführt werden, allerdings ist der Rechenaufwand extrem hoch und eine Vorhersage im großen Maßstab schwierig.

Maschinelles Lernen kann große Datenmengen zusammenfassen, verarbeiten und daraus Muster extrahieren und hat bestimmte Anwendungsfälle bei der Vorhersage von Materialeigenschaften.Auf dieser Grundlage hat die Forschungsgruppe von Li Song an der Huazhong University of Science and Technology ein maschinelles Lernmodell erstellt, KI darauf trainiert, die Strukturparameter poröser Materialien zu extrahieren, um Wasseradsorptionsisothermen vorherzusagen, und auf dieser Grundlage die Kühlleistung und die nachfolgenden Anwendungen verschiedener Adsorbentien weiter geschätzt.

Die Ergebnisse wurden in der Fachzeitschrift „Journal of Materials Chemistry A“ veröffentlicht.

Link zum Artikel:

https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA03586G

01 Experimentelle Verfahren

Datensatz:EWAID-Datenbank

Die Forscher wählten 460 nanoporöse Adsorbentien aus der EWAID-Datenbank für Wasseradsorptionsisothermen (Version 3.0) aus.Einschließlich metallorganischer Gerüststrukturen (MOFs), kovalenter organischer Gerüststrukturen (COFs) und Zeolithen mit definierten Kristallstrukturen. Ihre Daten zur Wasseradsorptionsisotherme wurden durch Literaturrecherche ermittelt.

EWAID: experimentelle Wasseradsorptionsisothermendatenbank

Von den 460 ausgewählten Adsorbentien besaßen 148 alle Strukturmerkmale und die relevanten Strukturparameter waren zugängliche Oberfläche (Sa), effektives Porenvolumen (Va) und Porendurchmesser (Dp).

Das universelle Adsorptionsisothermenmodell (UAIM) wurde verwendet, um die Wasseradsorptionsisothermen von 148 Adsorbentien anzupassen, und die Wasserabsorption (W) der Materialien bei 298 K unter verschiedenen Drücken (P) wurde ermittelt.

Die strukturellen Eigenschaften und Adsorptionsleistungsdaten (Sa, Va, Dp, P und W) des Adsorbens wurden zum Training in das maschinelle Lernmodell eingegeben.

Ausgewählte Adsorbentien von EWAID

Modellarchitektur:Zweistufige ML-Strategie

Die Forscher entwickelten eine zweistufige ML-Strategie:

Die Strukturparameter (Sa, Va, Dp) und der Adsorptionsdruck P poröser Materialien wurden als Parameter aus der Datenbank extrahiert, in das ML:SI-Modell eingegeben und die Wasseradsorptionsisotherme mithilfe von maschinellem Lernen vorhergesagt.

Nach der Schätzung der Wasseradsorptionsisotherme wurden drei Parameter extrahiert: gesättigte Adsorptionskapazität (W_saß), die Stufenlage der Isotherme (α) und die Henry-Konstante (K_H) und geben Sie das ML:IP-Modell ein. Berechnen Sie den Leistungskoeffizienten (COP) eines Adsorptionskältesystems_C, der Leistungskoeffizient für die Kühlung) und die spezifischen Kühleffekte (SCE) des Arbeitsfluidpaars Adsorbent/Wasser wurden verwendet, um die Adsorptionskühlleistung zu bewerten.

Schematische Darstellung einer zweistufigen Machine-Learning-Strategie

Algorithmus-Training:Umfassende Anwendung von RF und ANN

Zur Entwicklung des maschinellen Lernmodells wurde das Scikit-learn-Modul verwendet, und für das zweistufige maschinelle Lerntraining wurden die RF- (Random Forest) und ANN-Algorithmen verwendet.

801 Proben des Datensatzes TP3T werden zufällig als Trainingssatz ausgewählt und die verbleibenden 201 Proben von TP3T werden als Testsatz verwendet.

Um die optimalen Hyperparameter des Algorithmus zu bestimmen, wurde während des Trainingsprozesses die Methode der fünffachen Kreuzvalidierung verwendet, um die mit verschiedenen Hyperparametergruppen erstellten Modelle zu testen.² Bestimmen Sie optimale Hyperparameter.

02 Von der Struktur zur Isotherme: Der SI-Prozess

Leistungsüberprüfung:Isothermenvorhersage in der Datenbank

RF ist genauer als ANN

Basierend auf den Struktureigenschaften und Adsorptionsleistungsdaten (Sa, Va, Dp, P und W) von 148 Trainingsadsorbentien wurde das ML-Modell verwendet, um die Wasseradsorptionsisothermen vorherzusagen.Wie aus der folgenden Tabelle ersichtlich ist, weist das RF-Modell eine hohe Genauigkeit bei der Vorhersage der Wasseradsorptionsisotherme auf.

Genauigkeit der RF- und ANN-Vorhersage

Wie aus der folgenden Abbildung a ersichtlich, verteilt sich die Wasseraufnahme dieser Adsorbentien auf Werte zwischen 0 und 2,0 g/g, bei den meisten liegt sie zwischen 0 und 0,8 g/g.

Aus der Analyse der relativen Wichtigkeit in Abbildung b unten ist ersichtlich, dass der Adsorptionsdruck (P) den größten Einfluss auf die Wasseraufnahme hat und zwischen beiden eine positive Korrelation besteht. Bei einem festgelegten Druck bestimmen die strukturellen Eigenschaften des Adsorbens, insbesondere die Oberfläche und das Porenvolumen, wie viel Wasser absorbiert werden kann.

RF-Modellvorhersagen zur Wasseraufnahme

Das RF-Modell prognostiziert mit höherer Genauigkeit

Als Versuchsobjekte wurden mehrere typische Adsorbentien mit unterschiedlichen Struktureigenschaften aus der Datenbank verwendet und die aus den EWAID-Versuchsdaten und dem RF-Modell vorhergesagten Wasseradsorptionsisothermen verglichen.

Es gibt vier Haupttypen von Wasseradsorptionsisothermen in der Datenbank: Typ I (umgekehrte L-Form, dargestellt in Abbildungen a und c), Typ V (typische S-Form, dargestellt in Abbildungen d und f), Typ IV und Typ VI (Formen mit zwei oder mehr Adsorptionsschritten, dargestellt in Abbildungen g und i).

Wie aus der folgenden Abbildung ersichtlich ist,Unabhängig von der Art der Isotherme und den strukturellen Eigenschaften des Adsorptionsmaterials weisen die vorhergesagten Werte der Adsorptionsisothermen eine hohe Übereinstimmung mit den experimentellen Werten auf, was die hohe Genauigkeit des RF-Modells bestätigt.

Ergebnisse der Vorhersage der Wasseradsorptionsisotherme: Grau stellt experimentelle EWAID-Daten dar, Blau stellt Vorhersagedaten des RF-Modells dar

RF kann kleine strukturelle Unterschiede mit höherer Empfindlichkeit identifizieren

Das Metall (MOF-74-M und CUK-1-M, M = Co, Mg, Ni) und die funktionelle Gruppe (MIL-101-Cr + X, X = NH₂, ALSO₃H, NEIN₂), um die durch strukturelle Unterschiede verursachten Änderungen der Wasseradsorptionsisothermen zu untersuchen.

Die Strukturparameter nach der Modifikation sind in der folgenden Tabelle aufgeführt:

Strukturelle Eigenschaften von Adsorbentien

Die entsprechenden Ergebnisse der Wasserisothermenvorhersage sind in der folgenden Abbildung dargestellt:

Ergebnisse der Wasserisothermenvorhersage Rauten stellen experimentelle Daten von EWAID dar, Punkte stellen Ergebnisse der RF-Vorhersage dar

Bei Adsorbentien mit geringfügigen strukturellen Unterschieden sagte das RF-Modell die Unterschiede in den Wasseradsorptionsisothermen präzise voraus und zeigte dabei eine hohe Genauigkeit und Empfindlichkeit.

Leistungserweiterung:Isothermenvorhersage außerhalb der Datenbank

Um die Anpassungsfähigkeit des RF-Modells weiter zu überprüfen, wählten die Forscher für Tests Adsorbentien aus, die nicht in der EWAID-Datenbank enthalten sind (ZJU-210-Al, NU-405-Zr und iso-NU-1000-Zr). Die Ergebnisse sind in der folgenden Abbildung dargestellt.

Ergebnisse der Wasserisothermenvorhersage Grau stellt experimentelle Daten dar, Blau stellt RF-Modellvorhersagedaten dar

Wie aus den Abbildungen a und b ersichtlich ist, bietet das RF-Modell eine gute Vorhersage für die Wasseradsorptionsisothermen von ZJU-210-Al und NU-405-Zr. In Abbildung c sagt das RF-Modell voraus, dass die Hochdruck-Wasseraufnahme von ISO-NU-1000-Zr niedriger ist als der experimentelle Wert.

Diese Vorhersageabweichung kann durch das Fehlen einer ausreichenden Anzahl von Proben mit hoher Adsorption (Wasseraufnahme > 0,8 g/g) in der EWAID-Datenbank oder durch die unzureichende Strukturbeschreibung von ISO-NU-1000-Zr verursacht werden.

Die Ergebnisse der Untersuchung von Adsorbentien mit geringfügigen strukturellen Unterschieden sind nachstehend aufgeführt:

Ergebnisse der Wasserisothermenvorhersage Rauten stellen experimentelle Daten von EWAID dar, Punkte stellen Ergebnisse der RF-Vorhersage dar

Im Vergleich zu UiO-66-Zr ist der zusätzliche Benzolring des Liganden von UiO-67-Zr hydrophob. In Abbildung d verschiebt sich die Wasseradsorptionsisotherme von UiO-67-Zr in Richtung Hochdruckrichtung.

MOF-303-Al hat eine höhere Hydrophilie als CAU-23-Al. In Abbildung e zeigt MOF-303-Al eine kleinere Stufenposition und die Wasseradsorptionsisotherme bewegt sich in Richtung Niederdruckrichtung.

Nach Oberflächenhydrophilie UiO-66-Zr + (OH)₂ > UiO-66-Zr + NH₂ > UiO-66-Zr + CH₃  Die RF-Modellvorhersage wird in der folgenden Reihenfolge durchgeführt: In Abbildung f, UiO-66-Zr + NH₂  und UiO-66-Zr + CH₃  Die vorhergesagten Werte der Isothermenstufenpositionen sind größer als die experimentellen Werte und bewegen sich in Richtung Hochdruck, was darauf hindeutet, dass das RF-Modell ihre Hydrophobie überschätzt.

Diese Abweichung kann dadurch verursacht werden, dass die Deskriptoren der Oberflächeneigenschaften des Adsorbens im RF-Modell nicht ausführlich genug sind, um Adsorbentien derselben Familie, aber mit unterschiedlicher Oberflächenhydrophilie, wirksam zu unterscheiden.

Zusammenfassend lässt sich sagen, dass das RF-Modell eine hohe Vorhersagegenauigkeit für die Wasseradsorptionsisothermen poröser Materialien außerhalb der Datenbank aufweist und die strukturellen Unterschiede von Materialien bis zu einem gewissen Grad erkennen kann. Allerdings kommt es zu Abweichungen gegenüber den Materialvorhersagen in der Datenbank. Diese Abweichungen können durch Ergänzung der Trainingsdaten, Anreicherung struktureller Merkmalsdeskriptoren usw. korrigiert werden.

03 Von Isothermen zur Leistung: Der IP-Prozess

Parameterextraktion:POLIZIST_C und SCE

Basierend auf den vom ML-Modell vorhergesagten Wasseradsorptionsisothermen wurden drei Deskriptoren extrahiert: gesättigte Adsorptionskapazität (W_saß), die Stufenlage der Isotherme (α) und die Henry-Konstante (K_H) und analysieren Sie die Leistung von Adsorptionskältemaschinen (ACs).

Schematische Darstellung der Adsorptionsisothermen-Charakteristik

Die Leistung der Adsorptionskältemaschine kann anhand der Leistungszahl (COP) gemessen werden._CZur Bewertung der Leistung werden der Leistungskoeffizient für die Kühlung und die spezifischen Kühleffekte (SCE) der Arbeitspaare Adsorbent/Wasser verwendet.

Mit dem Deskriptor (W_saß,α,K_H), ML-Modelle können schnell COP erreichen_C  und SCE ohne komplizierte Berechnungsverfahren.

Leistungsvorhersage:Zusammenhang zwischen Isothermenparametern und Leistung

Gemäß den Adsorptionsisothermen-Charakteristiken von 460 Adsorbent/Wasser-Arbeitsfluidpaaren (W_saß,α,K_H), unter Verwendung eines ML-Modells zur Analyse von SCE und COP_C Machen Sie Vorhersagen.Wie aus der folgenden Tabelle ersichtlich ist, ist das RF-Modell bei der Vorhersage von SCE und COP wirksam._C Alle Aspekte weisen eine hohe Präzision auf.

Genauigkeit der RF- und ANN-Vorhersage

Wie aus den Abbildungen a und b unten ersichtlich ist, sind die SCE und COP der meisten Arbeitsfluidpaare_C  Sie liegen im Bereich von 0,400 kJ/kg bzw. 0,4–0,8.

Aus der relativen Wichtigkeitsanalyse der Abbildungen c und d unten können wir erkennen, dass W_saß Bei der Bestimmung von SCE, K_H Bei der Bestimmung des COP_C Die Bedeutung von 58%,Dies bedeutet, dass W_saß und SCE, K_H und COP_C Es besteht eine starke Korrelation zwischen.

Vorhersagewert und Korrelationsanalyse von RF für SCE und

Aus der Abbildung unten können wir erkennen, dassWenn die drei Parameter im Bereich von Wsat = 0,2-0,8 g/g, α = 0,1-0,3, KH = 10-4 – 10-1 (mol/kg·Pa) liegen, kann die Kühlleistung bei (SCE > 200 kJ kg-1, COP_C  > 0,7) und die Wasseradsorptionsisotherme ist V-förmig.

W von 148 Adsorbentien_saß , α, K_H Zusammenhang zwischen Kühlleistung

04 Das neue Paradigma der Materialforschung ist untrennbar mit maschinellem Lernen verbunden

Die Leitideologie der Materialwissenschaft lässt sich in vier Paradigmen zusammenfassen:

• Die empirische Versuch-und-Irrtum-Methode;
• die Gesetze der Physik und Chemie;
• Computersimulation;
• Wissenschaft auf Basis von Big Data.

In den 1990er Jahren haben Rao et al. verwendete ANN zur Simulation beim Studium von Keramikmatrix-Verbundwerkstoffen (CMCs), was eine bahnbrechende Anwendung des maschinellen Lernens in der Materialwissenschaft war.

Mit der Entwicklung von Wissenschaft und Technologie kombiniert das vierte Paradigma die Vorteile der anderen drei Paradigmen.Maschinelles Lernen erfreut sich im Bereich der Materialwissenschaften großer Beliebtheit und findet Anwendung bei der Entdeckung, Vorbereitung, Leistungsanalyse und Verifizierung von Materialien.

Anwendungen des maschinellen Lernens in der Materialwissenschaft

Bis die Forscher maschinelles Lernen nutzen können, um die praktische Anwendung von Materialien direkt zu ermöglichen, ist es allerdings noch ein weiter Weg.

Maschinelles Lernen bietet uns eine „Struktur-Leistung“-Perspektive. Wir freuen uns auf die Zusammenarbeit von Forschern mit KI, um Struktur und Leistung wirklich zu verstehen, Innovationen zu fördern und gemeinsam die neue Zukunft der Materialwissenschaft zu erkunden.

Quellen:

[1]https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA03586G

[2]https://www.sciencedirect.com/science/article/abs/pii/S235249282201741X