机器学习指导开发MUF-8-CH3实现创纪录的甲烷吸附体积容量

首页 > 行业动态 > 机器学习指导开发MUF-8-CH3实现创纪录的甲烷吸附体积容量

摘要
华中师范涂彬彬、郭彦炳和武汉科技大学庞青青团队在JACS 2026年发表研究，基于CoRE MOF 2024数据库，结合GCMC模拟构建数据集，训练出高精度极端随机树回归模型（R²=0.96），可快速筛选高性能储能MOF。筛选得到UMCM-4、MUF-8、MOF-5三种可合成材料，实测甲烷工作容量与模型预测高度吻合。通过机器学习特征分析，明确孔隙率、孔容、骨架密度的最优调控区间，经配体功能化精准改性，MUF-8-CH3与MUF-8-C4H4实现237 cm³(stp) cm⁻³的超高体积甲烷工作容量，刷新MOF材料性能纪录。该研究建立了机器学习与实验改性结合的高效设计范式，为高性能甲烷储能MOF的精准构建提供了通用路径。

研究背景
1. 行业问题：甲烷作为清洁能源适配交通领域应用，但能量密度低、车载储能效率差，制约规模化推广。传统压缩、液化天然气技术分别存在高压耗材、低温高能耗的弊端，而ANG技术条件温和，但沸石、活性炭等传统多孔材料吸附性能差、结构可调性弱。目前数万种MOF中仅少数具备储能潜力，尚无材料达到美国能源部263 cm³(stp) cm⁻³的目标，且材料结构与储能性能的构效关系模糊，严重限制材料精准设计。
2. 现有方案：传统MOF改性依赖试错实验，耗时费力、筛选效率极低。高通量计算模拟虽提升筛选效率，但依赖高算力，难以适配海量材料数据库。现有配体修饰改性手段缺乏量化参数指导，盲目性强，无法定向突破性能瓶颈。
3. 本文创新：该研究融合机器学习高通量筛选与实验孔道工程，构建数据驱动的MOF精准设计体系。依托高精度机器学习模型突破算力限制，实现海量MOF快速筛选；量化阐明三大核心结构参数的非线性协同作用，明确最优调控区间；以理论为指导开展定向配体改性，规避传统实验盲目性，成功制备出创纪录的高容量甲烷储能MOF，实现理论模拟与实验合成的精准联动。

实验部分
1. 机器学习模型构建：以CoRE MOF 2024无溶剂结构为基础，通过GCMC模拟、Zeo++计算与Python程序，获取材料结构、化学与甲烷吸附数据，构建完整数据集。采用8:2比例划分数据集，结合K-means聚类与五折交叉验证规避过拟合与数据泄露。对比七种算法后优选极端随机树回归模型，测试集R²=0.96、平均绝对误差7.20 cm³(stp) cm⁻³，在hMOF数据库外延测试中R²＞0.88，泛化性与预测精度优异。
2. 材料筛选与实验验证：通过模型筛选35万余种MOF，结合合成可行性优选UMCM-4、MUF-8、MOF-5开展实验。溶剂热合成并活化材料后，经PXRD、核磁验证结构纯度，氮气吸附证实永久多孔特性。298 K、5–100 bar工况测试显示，三种材料体积工作容量分别为225、225、231 cm³(stp) cm⁻³，与预测值高度匹配，验证模型可靠性。
3. 配体功能化改性实验：基于最优结构参数区间，对三种母体MOF进行氨基、甲基、溴基、苯基官能团修饰，制备九种改性衍生物。系统探究官能团对孔道结构的调控规律，筛选最优改性材料，并通过循环吸附、压片成型测试验证材料稳定性与应用潜力。

分析测试
1. 结构与孔隙表征：PXRD与核磁测试证实所有材料晶相纯净、配体修饰成功。UMCM-4、MUF-8、MOF-5的BET比表面积分别为3562、3551、3412 m²/g，孔隙率处于机器学习最优区间。改性后的MUF-8衍生物结构参数精准适配最优窗口，为性能提升奠定基础。
2. 储能性能测试：298 K、5–100 bar条件下，改性MUF-8-CH3、MUF-8-C4H4体积工作容量均达237 cm³(stp) cm⁻³，刷新MOF纪录；UMCM-4-NH2容量提升至230 cm³(stp) cm⁻³。MOF-5改性后参数偏离最优区间，性能最低降至192 cm³(stp) cm⁻³。5–80 bar实用工况下，最优材料仍保持207 cm³(stp) cm⁻³以上高容量，适配车载需求。
3. 稳定性与热力学测试：高性能改性材料循环测试后容量无衰减、结构无坍塌，压片样品仍保持优异储能性能，具备实用潜力。官能团修饰可适度提升甲烷吸附焓，优化主客体相互作用，兼顾高压吸附与低压脱附，有效提升工作容量。

机理分析
1. 构效机理：SHAP与偏依赖分析证实，孔隙率为核心调控参数，呈非线性调控规律，过高或过低均会削弱性能。孔隙率、孔容、骨架密度相互作用弱、以独立调控为主，可通过配体修饰精准调参，实现性能最优。
2. 吸附作用机理：原始MOF依靠弱相互作用吸附甲烷，官能团修饰可新增C–H···π、C–H···Br等作用，丰富吸附位点、增强孔道亲和力。适度的主客体作用可最大化高低压差，提升有效工作容量。
3. 改性差异化机理：MUF-8原始结构适配最优窗口，改性可精准优化性能；UMCM-4仅氨基修饰可维持结构平衡；MOF-5接近性能极限，改性易偏离最优参数区间、导致性能下降，体现明显的结构特异性。

总结
1. 本研究建立机器学习耦合孔道工程的MOF设计新范式，量化确立储能材料核心结构参数最优区间，解决了传统改性盲目性强、构效关系模糊的问题。通过定向改性获得237 cm³(stp) cm⁻³的超高容量MOF材料，刷新行业纪录，阐明了不同MOF体系的改性差异，为高性能储能多孔材料开发提供了理论与实验支撑。

文章标题：Machine Learning-Guided Pore Engineering of Metal–Organic Frameworks for Ultrahigh Volumetric Methane Storage
文章作者：Mengyao Song, Rui Gao, Jieqiu Huang, Yangzhen Li, Kaiqi Wang, Chongchong Hou, Huiling Wang, Honghui Lei, Zhu Luo, Chao Shu, Yanbing Guo*, Qingqing Pang*, Binbin Tu*
DOI：10.1021/jacs.5c22441
文章链接：https://pubs.acs.org/doi/10.1021/jacs.6c02540

本文为科研用户原创分享，用于学术宣传交流，具体细节请查阅原文。如有错误、侵权，请联系修改删除，未经允许不得复制转载。

华中师范和武汉科技团队建机器学习高通量筛选模型，明确MOF甲烷储能最优结构参数区间，结合配体功能化孔道工程精准调控材料结构，改性MUF-8基材料实现237 cm³(stp) cm⁻³的超高体积甲烷储能容量，刷新MOF性能纪录，为高性能甲烷吸附储能材料设计提供全新范式。