L'isotherme d'adsorption d'eau des matériaux poreux est un paramètre très important, mais il n'est pas facile à obtenir. Cela est dû au fait qu’il existe trop de types de matériaux poreux et que leurs structures sont diverses, et que l’obtention de données d’isotherme d’adsorption d’eau par le biais d’expériences et de calculs est trop coûteuse et prend trop de temps.

Le groupe de recherche de Li Song à l'Université des sciences et technologies de Huazhong a établi un modèle d'apprentissage automatique en deux étapes pour former l'IA à prédire les paramètres d'isotherme d'adsorption d'eau et les performances d'application ultérieures en fonction des paramètres structurels du matériau.

Auteur｜Jia Ling

Edité par Xuecai, Li Hui, Sanyang

Les matériaux poreux ont d’énormes applications dans la purification de l’eau, le dessalement de l’eau, la récupération de l’eau et la conversion de la chaleur par adsorption. Dans ces applications axées sur l’adsorption, les propriétés structurelles telles que l’hydrophilie de surface, l’hystérésis de désorption et l’absorption d’eau peuvent affecter les performances des matériaux poreux. Ces caractéristiques structurelles peuvent être obtenues à partir d’isothermes d’adsorption d’eau.

Alors, comment obtenir l’isotherme d’adsorption d’eau d’un matériau ?

Il n’est pas difficile d’obtenir expérimentalement les isothermes d’adsorption d’eau de plusieurs adsorbants, mais il existe de nombreux types de matériaux poreux. Par exemple, la base de données structurelle de Cambridge a enregistré des données sur plus de 100 000 matériaux poreux. Il est évidemment déraisonnable de les synthétiser et de les tester un par un.

Si l'isotherme d'adsorption d'eau est obtenue par des moyens informatiques, une simulation moléculaire de la structure cristalline de l'adsorbant peut être utilisée, mais le coût de calcul est extrêmement élevé et il est difficile de la prédire à grande échelle.

L'apprentissage automatique peut résumer et traiter de grandes quantités de données et en extraire des modèles, et il a certains cas d'application dans la prédiction des propriétés des matériaux.Sur cette base, le groupe de recherche de Li Song de l'Université des sciences et technologies de Huazhong a établi un modèle d'apprentissage automatique, a formé l'IA pour extraire les paramètres structurels des matériaux poreux afin de prédire les isothermes d'adsorption d'eau et, sur cette base, a estimé davantage les performances de refroidissement et les applications ultérieures de divers adsorbants.

Les résultats ont été publiés dans la revue « Journal of Materials Chemistry A »

Lien vers l'article :

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

01 Procédures expérimentales

Ensemble de données:base de données EWAID

Les chercheurs ont sélectionné 460 adsorbants nanoporeux à partir de la base de données d'isothermes d'adsorption d'eau EWAID version 3.0.Y compris les structures organométalliques (MOF), les structures organiques covalentes (COF) et les zéolites avec des structures cristallines définies, leurs données d'isotherme d'adsorption d'eau ont été obtenues grâce à des recherches bibliographiques.

EWAID : base de données expérimentale sur les isothermes d'adsorption d'eau

Parmi les 460 adsorbants sélectionnés, 148 possédaient toutes les caractéristiques structurelles, et les paramètres structurels pertinents étaient la surface accessible (Sa), le volume effectif des pores (Va) et le diamètre des pores (Dp).

Le modèle d'isotherme d'adsorption universel (UAIM) a été utilisé pour ajuster les isothermes d'adsorption d'eau de 148 adsorbants, et l'absorption d'eau (W) des matériaux à 298 K sous différentes pressions (P) a été obtenue.

Les caractéristiques structurelles et les données de performance d'adsorption (Sa, Va, Dp, P et W) de l'adsorbant ont été entrées dans le modèle d'apprentissage automatique pour la formation.

Adsorbants sélectionnés par EWAID

Architecture du modèle:Stratégie ML en deux étapes

Les chercheurs ont développé une stratégie ML en deux étapes :

Les paramètres structurels (Sa, Va, Dp) et la pression d'adsorption P des matériaux poreux ont été extraits de la base de données en tant que paramètres, introduits dans le modèle ML:SI, et l'isotherme d'adsorption d'eau a été prédite à l'aide de l'apprentissage automatique.

Après avoir estimé l'isotherme d'adsorption d'eau, trois paramètres ont été extraits : la capacité d'adsorption saturée (W_assis), la position de l'étape de l'isotherme (α) et la constante de Henry (K_H) et entrez le modèle ML:IP. Calculer le coefficient de performance (COP) d'un système de réfrigération par adsorption_C, le coefficient de performance pour le refroidissement) et les effets de refroidissement spécifiques (SCE) de la paire de fluide de travail adsorbant/eau ont été utilisés pour évaluer les performances de refroidissement par adsorption.

Schéma d'une stratégie d'apprentissage automatique en deux étapes

Formation d'algorithmes:Application complète des RF et des ANN

Le module Scikit-learn a été utilisé pour développer le modèle d'apprentissage automatique, et les algorithmes RF (forêt aléatoire) et ANN ont été utilisés pour la formation à l'apprentissage automatique en deux étapes.

801 échantillons de l'ensemble de données TP3T sont sélectionnés aléatoirement comme ensemble d'apprentissage, et les 201 échantillons restants de TP3T sont utilisés comme ensemble de test.

Au cours du processus de formation, afin de déterminer les hyper-paramètres optimaux de l'algorithme, la méthode de validation croisée en cinq étapes a été utilisée pour tester les modèles établis avec différents groupes d'hyper-paramètres.²Déterminer les hyperparamètres optimaux.

02 De la structure à l'isotherme : le processus SI

Vérification des performances:Prédiction des isothermes dans la base de données

La RF est plus précise que l'ANN

Sur la base des caractéristiques structurelles et des données de performance d'adsorption (Sa, Va, Dp, P et W) de 148 adsorbants d'entraînement, le modèle ML a été utilisé pour prédire les isothermes d'adsorption d'eau.Comme le montre le tableau ci-dessous, le modèle RF présente une grande précision dans la prédiction de l’isotherme d’adsorption d’eau.

Précision de prédiction RF et ANN

Comme on peut le voir sur la figure a ci-dessous, l'absorption d'eau de ces adsorbants est répartie entre 0 et 2,0 g/g, et la plupart d'entre eux sont compris entre 0 et 0,8 g/g.

D'après l'analyse de l'importance relative de la figure b ci-dessous, on peut voir que la pression d'adsorption (P) a le plus grand impact sur l'absorption d'eau, et les deux sont positivement corrélées. À une pression fixe, les caractéristiques structurelles de l'adsorbant, en particulier la surface et le volume des pores, déterminent la quantité d'eau pouvant être absorbée.

Prédictions du modèle RF pour l'absorption d'eau

Le modèle RF prédit avec une plus grande précision

Plusieurs adsorbants typiques avec différentes caractéristiques structurelles dans la base de données ont été utilisés comme objets expérimentaux, et les isothermes d'adsorption d'eau prédites par les données expérimentales EWAID et le modèle RF ont été comparées.

Il existe quatre principaux types d'isothermes d'adsorption d'eau dans la base de données : le type I (forme en L inversé illustrée dans les figures a et c), le type V (forme en S typique illustrée dans les figures d et f), le type IV et le type VI (formes avec deux ou plusieurs étapes d'adsorption illustrées dans les figures g et i).

Comme on peut le voir sur la figure ci-dessous,Quel que soit le type d'isotherme et les propriétés structurelles du matériau adsorbant, les valeurs prédites des isothermes d'adsorption sont très cohérentes avec les valeurs expérimentales, ce qui vérifie la grande précision du modèle RF.

Résultats de la prédiction de l'isotherme d'adsorption d'eau : le gris représente les données expérimentales EWAID, le bleu représente les données de prédiction du modèle RF

La RF peut identifier de petites différences structurelles avec une sensibilité plus élevée

Le métal (MOF-74-M et CUK-1-M, M = Co, Mg, Ni) et le groupe fonctionnel (MIL-101-Cr + X, X = NH₂, DONC₃H, NON₂) pour étudier les changements dans les isothermes d'adsorption d'eau causés par des différences structurelles.

Les paramètres structurels après modification sont présentés dans le tableau suivant :

Caractéristiques structurelles des adsorbants

Les résultats de prédiction des isothermes d’eau correspondants sont présentés dans la figure ci-dessous :

Résultats de prédiction des isothermes de l'eau Les losanges représentent les données expérimentales de l'EWAID et les points représentent les résultats de prédiction RF

Pour les adsorbants présentant de légères différences structurelles, le modèle RF a prédit avec précision les différences dans les isothermes d'adsorption d'eau, montrant une précision et une sensibilité élevées.

Extension des performances:Prédiction des isothermes hors base de données

Afin de vérifier davantage l'adaptabilité du modèle RF, les chercheurs ont sélectionné des adsorbants qui ne sont pas inclus dans la base de données EWAID (ZJU-210-Al, NU-405-Zr et iso-NU-1000-Zr) pour les tests. Les résultats sont présentés dans la figure ci-dessous.

Résultats de prédiction des isothermes de l'eau. Le gris représente les données expérimentales, le bleu représente les données de prédiction du modèle RF.

Comme le montrent les figures a et b, le modèle RF présente une bonne prédiction pour les isothermes d'adsorption d'eau de ZJU-210-Al et NU-405-Zr. Dans la figure c, le modèle RF prédit que l’absorption d’eau à haute pression de l’ISO-NU-1000-Zr sera inférieure à la valeur expérimentale.

Cet écart de prédiction peut être dû au manque de nombre suffisant d'échantillons à forte adsorption (absorption d'eau > 0,8 g/g) dans la base de données EWAID ou à la description structurelle inadéquate de l'ISO-NU-1000-Zr.

Les résultats de l’étude sur les adsorbants présentant de légères différences structurelles sont présentés ci-dessous :

Résultats de prédiction des isothermes de l'eau Les losanges représentent les données expérimentales de l'EWAID et les points représentent les résultats de prédiction RF

Comparé à UiO-66-Zr, le cycle benzénique supplémentaire du ligand de UiO-67-Zr est hydrophobe. Dans la figure d, l’isotherme d’adsorption d’eau de UiO-67-Zr se déplace vers la direction de haute pression.

Le MOF-303-Al présente une hydrophilie plus élevée que le CAU-23-Al. Dans la figure e, le MOF-303-Al montre une position de pas plus petite et l'isotherme d'adsorption d'eau se déplace vers la direction de basse pression.

Selon l'hydrophilie de surface UiO-66-Zr + (OH)₂> UiO-66-Zr + NH₂ > UiO-66-Zr + CH₃ La prédiction du modèle RF est effectuée dans l'ordre de Dans la figure f, UiO-66-Zr + NH₂ et UiO-66-Zr + CH₃ Les valeurs prédites des positions des étapes isothermes sont supérieures aux valeurs expérimentales et se déplacent vers la direction de haute pression, indiquant que le modèle RF surestime leur hydrophobicité.

Cet écart peut être dû au fait que les descripteurs des propriétés de surface des adsorbants dans le modèle RF ne sont pas suffisamment riches pour distinguer efficacement les adsorbants de la même famille mais avec des hydrophilies de surface différentes.

En résumé, le modèle RF présente une grande précision de prédiction pour les isothermes d'adsorption d'eau des matériaux poreux en dehors de la base de données et peut distinguer les différences structurelles des matériaux dans une certaine mesure. Il y aura cependant quelques écarts par rapport aux prévisions matérielles de la base de données. Ces écarts peuvent être corrigés en complétant les données d’entraînement, en enrichissant les descripteurs de caractéristiques structurelles, etc.

03 Des isothermes à la performance : le processus de propriété intellectuelle

Extraction de paramètres:FLIC_Cet SCE

Sur la base des isothermes d'adsorption d'eau prédites par le modèle ML, trois descripteurs ont été extraits : capacité d'adsorption saturée (W_assis), la position de l'étape de l'isotherme (α) et la constante de Henry (K_H), et analyser les performances des refroidisseurs à adsorption (CA).

Diagramme schématique des caractéristiques des isothermes d'adsorption

Les performances de la réfrigération par adsorption peuvent être mesurées en fonction du coefficient de performance (COP)._CLe coefficient de performance de refroidissement et les effets de refroidissement spécifiques (SCE) des paires de travail adsorbant/eau sont utilisés pour évaluer les performances.

En utilisant le descripteur (W_assis,α,K_H), les modèles ML peuvent rapidement obtenir le COP_C et SCE sans avoir recours à des processus de calcul compliqués.

Prédiction des performances:Relation entre les paramètres isothermes et les performances

Selon les caractéristiques isothermes d'adsorption de 460 paires de fluides de travail adsorbant/eau (W_assis,α,K_H), en utilisant le modèle ML pour analyser SCE et COP_C Faire des prédictions.Comme le montre le tableau ci-dessous, le modèle RF est efficace pour prédire le SCE et le COP._CTous les aspects ont une grande précision.

Précision de prédiction RF et ANN

Comme le montrent les figures a et b ci-dessous, le SCE et le COP de la plupart des paires de fluides de travail sont_C Elles sont respectivement de l'ordre de 0,400 kJ/kg et de 0,4 à 0,8.

D'après l'analyse de l'importance relative des figures c et d ci-dessous, nous pouvons voir que W_assis Pour déterminer SCE, K_HLors de la détermination du COP_CL'importance du 58%,Cela signifie que W_assis et SCE, K_H et COP_CIl existe une forte corrélation entre.

Valeur de prédiction et analyse de corrélation de RF pour SCE et

D'après la figure ci-dessous, nous pouvons voir queLorsque les trois paramètres sont dans la plage de Wsat = 0,2-0,8 g/g, α = 0,1-0,3, KH = 10-4 – 10-1 (mol/kg·Pa), les performances de refroidissement peuvent être maintenues à (SCE > 200 kJ kg-1, COP_C > 0,7) et l'isotherme d'adsorption d'eau est en forme de V.

W de 148 adsorbants_assis , α, K_H Relation entre les performances de refroidissement

04 Le nouveau paradigme de la recherche sur les matériaux ne peut être séparé de l'apprentissage automatique

L’idéologie directrice de la science des matériaux peut être résumée en quatre paradigmes :

La méthode empirique des essais et erreurs ;
les lois de la physique et de la chimie;
Simulation par ordinateur;
La science basée sur le Big Data.

Dans les années 1990, Rao et al. a utilisé l'ANN pour la simulation lors de l'étude des composites à matrice céramique (CMC), qui était une application pionnière de l'apprentissage automatique en science des matériaux.

Avec le développement de la science et de la technologie, le quatrième paradigme combine les avantages des trois autres paradigmes.L'apprentissage automatique est très populaire dans le domaine de la science des matériaux et peut être trouvé dans la découverte, la préparation, l'analyse des performances et la vérification des matériaux.

Applications de l'apprentissage automatique en science des matériaux

Cependant, les chercheurs ont encore un long chemin à parcourir avant de pouvoir utiliser l’apprentissage automatique pour permettre directement des applications pratiques des matériaux.

L’apprentissage automatique nous offre une perspective « structure-performance ». Nous attendons avec impatience que les chercheurs collaborent avec l’IA pour vraiment comprendre la structure, les performances, promouvoir l’innovation et explorer conjointement le nouvel avenir de la science des matériaux.

Références :

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

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

Le Groupe De Recherche De Li Song À L'université Des Sciences Et Technologies De Huazhong a Utilisé L'apprentissage Automatique Pour Prédire Les Isothermes D'adsorption D'eau Des Matériaux Poreux.