【MOF分析模型】：基于拓扑数据分析的金属-有机框架CO2吸附线性回归模型

首页 > 行业动态 > 【MOF分析模型】：基于拓扑数据分析的金属-有机框架CO2吸附线性回归模型

摘要：
Tohoku University 的Kazuto Akagi等报道的本篇文章（Sci Rep 14, 12021 (2024)）中开发了一个回归模型，用于预测金属-有机框架（MOFs）中影响CO2吸附量的最优化组分。该模型基于实验观测的吸附和结构数据，结合MOFs的吸附位点，利用拓扑数据分析（TDA）生成的结构描述符。通过持久性图表这一先进的数学方法，量化MOFs中的环和空腔，从而以新颖的方式分析MOFs的几何结构对CO2吸附效率的直接影响和重要性。研究结果表明，所提出的方法与实验数据高度相关，为具有优化结构的MOFs提供了有效的筛选工具。

研究背景：
1. 现代工业活动导致的CO2排放是温室效应的主要原因，进而引发全球变暖。此外，CO2的存在不仅降低了天然气的能量效率，还可能在天然气处理过程中引起管道和设备的腐蚀。
2. 目前，采用胺溶液系统通过化学吸附去除电厂烟气中的CO2。然而，胺的再生需要热解断裂N-C共价键，导致运营成本较高。因此，人们开始关注物理吸附方法，因其成本低、效率高。
3. 作者提出了一种基于拓扑数据分析的线性回归模型，该模型只需要三个解释变量即可实现CO2吸附的高相关性预测，并且提供了比现有数据驱动方法更清晰的物理意义。

实验部分：
1. MOFs数据准备：研究者选取了34种不同结构的MOFs，这些MOFs的CO2吸附量（wt%）在1bar和298K条件下通过实验测量得出，并列出其主要吸附位点。部分MOFs的吸附量通过其等温线数据计算得出。通常以wt%报告CO2吸附量，但本研究中使用了按单位体积计算的CO2吸附量。
2. 持久性图表（PD）的构建：为了描述MOFs中环和空腔的结构，研究者使用了持久性图表（PD），这是一种基于持久同调的数学工具，能够记录离散数据中的环和空腔。通过增加原子中心处球体的公共半径，记录了一环（一维空洞）或腔体（二维空洞）的生成和消失。
3. 吸附位点的识别与计数：研究者识别并计数了五种类型的吸附位点：开放金属位点（OMS）、氮原子位点（N1和N2，分别代表与少于一个和两个氢原子键合的氮原子位点）、由SBU形成的三角空间（称为笼窗位点，O），以及SiF6组中的氟原子位点（F）。对这些位点进行了归一化处理，但未计入对CO2不可访问的位点。
4. 孔隙率（Porosity）的评估：通过两种方式准备孔隙体积：基于PD2的体积（VP）和使用Zeo++评估的体积（VZ）。通过将VP和VZ与MOF的晶胞体积归一化，得到了代表孔隙率的描述符P和V。
5. 吸附空间形状的表征：研究者基于PD1和PD2，选择了对CO2吸附有效的环（死亡半径大于0.3纳米）和腔体（出生半径大于0.3纳米），并通过归一化的形状（死亡-出生）/死亡值来表征MOF的形状。
6. 线性回归（LR）模型的建立与评估：使用实验观测的单位体积CO2吸附量作为目标变量，对各种解释变量（描述符）组合进行了LR分析。研究者评估了不同吸附位点（OMS、N1、N2、O、F和A）以及孔隙率（P、Z）对CO2吸附的贡献。

分析测试：
1. 孔隙率的计算：基于PD2的孔隙率（P）和使用Zeo++工具评估的孔隙率（Z）被用来评估MOFs的孔隙体积。这些孔隙体积通过特定的条件筛选并归一化，提供了对MOFs孔隙结构的定量描述。
2. 吸附位点的定量分析：研究者对OMS、N1、N2、O和F位点进行了定量分析，这些位点的数量被归一化，并与单位体积的MOF相关联，提供了对MOFs吸附能力的定量理解。
3. 形状描述符的生成：通过对PD1和PD2的分析，研究者生成了描述MOFs形状的描述符。这些描述符通过将（死亡-出生）/死亡值表达为直方图或向量，并应用高斯模糊处理得到。
4. 线性回归模型的比较：研究者比较了不同LR模型的性能，包括只包含吸附位点的模型（MNA/−/−）和包含孔隙率信息的模型（MNA/P/−、MNAOF/P/−）。通过R2adj、AIC和BIC值来评估模型的拟合优度和预测能力。
5. 形状信息的贡献：研究者探讨了吸附空间形状信息对回归模型性能的影响。通过将PD1和PD2转换为500维向量，并使用PCA、t-SNE和UMAP等降维方法量化这些向量，研究者发现基于UMAP的描述符能更有效地改善模型性能。
6. 模型的预测与改进：研究者提出了模型MNA/−/−作为最简单的线性回归模型，用于预测1bar和298K条件下的CO2吸附量。此外，通过引入UMAP形状信息，提出了模型MNA/−/U，进一步提高了模型的预测准确性。

总结：
本文提出了一个基于拓扑数据分析的简单且物理上可解释的线性回归模型，用于预测MOFs的CO2吸附量。使用34种MOFs的实验数据，证明了基于结构描述符的CO2吸附量可以被有效预测。此外，通过TDA和UMAP量化的吸附空间形状信息进一步提高了模型的预测性能。

展望：
1. 尽管模型表现良好，但仍有改进空间，如考虑更多结构动态对CO2吸附的影响。
2. 建议作者扩大数据集，包括更多具有不同结构特征的MOFs，以提高模型的泛化能力。
3. 建议对模型预测的结果进行实验验证，以测试其在实际条件下的准确性和可靠性。
4. 鼓励作者进行多尺度模拟，结合量子力学和分子动力学，以更全面地理解MOFs的吸附机制。
5. 建议在未来的研究中考虑温度、压力和湿度等环境因素对MOFs吸附性能的影响。
6. 探索该模型在工业应用中的潜力，如在碳捕获和存储（CCS）技术中的应用。

Linear regression model for metal–organic frameworks with CO2 adsorption based on topological data analysis
文章作者：Kazuto Akagi, Hisashi Naito, Takafumi Saikawa, Motoko Kotani & Hirofumi Yoshikawa
DOI：10.1038/s41598-024-62858-7
文章链接：https://www.nature.com/articles/s41598-024-62858-7

本文为科研用户原创分享上传用于学术宣传交流，具体内容请查阅上述论文，如有错误、侵权等请联系修改、删除。未经允许第三方不得复制转载。