[发明专利]基于MOF的机器学习算法优选方法、存储介质及计算设备

说明书

本发明涉及化学与纳米复合催化材料技术领域，公开了基于MOF的机器学习算法优选方法、存储介质及计算设备，该方法包括以下步骤：S1、采集多种体系MOFs的几何描述符、能量描述符和性能参数吸附量，并基于其建立数据集；S2、将数据集分为训练集和测试集，并进行特征预处理；S3、运用多种机器学习算法对训练集进行机器学习模型训练，并调整超参数至精度最优；S4、将测试集放入模型中，计算模型的预测准确性，对比不同机器学习模型的准确性。本发明基于机器学习对多种体系的气体的金属有机框架的吸附能力对比，筛选出最优机器学习模型，整个MOF体系预测都有普适性，降低MOF体系预测难度。

技术领域

本发明涉及化学与纳米复合催化材料技术领域，具体涉及一种基于MOF的机器学习算法优选方法、存储介质及计算设备。

背景技术

金属有机框架(MOF)，是一种新型有机-无机杂化的新型多孔材料，MOFs是周期性网状结构材料，通过有机配体和金属离子或团簇通过自组装形成的。因其具有F具有比表面积大、孔隙率高、微孔尺寸和形状可调、结构和功能变化多样的特点备受关注，这些特性使得MOFs被广泛应用于在气体储存、吸附分离、光学、催化、药物负载等方面。因此，对MOFs材料深入研究，将有助于理解和掌握影响材料性能的因素和规律，对开发高性能的MOFs材料具有重要意义。

然而，组成MOFs材料的结构组成单元(包括金属簇和有机配体)和拓扑学结构具有种类繁多、组合多样的特点，实验合成和计算机合成的MOFs数量不断增加，各种MOFs数据库被建立，如果仅仅依靠传统实验方法合成目标MOFs材料，漫长的实验时间和实验材料消耗将使巨额成本成为限制MOFs材料的发展和应用最大原因，且具有一定的盲目性。

近些年，随着计算机硬件设备的发展和各种数据库完善，机器学习能力不断增强，基于机器学习的方法在MOFs材料研发方面得到了巨大发展和应用。通过对MOF是特定性能的有效评价，进而筛选出目标性能优异的材料，减少了实验合成的代价，提高了MOFs材料的研发效率。

发明内容

本发明的目的在于提供一种基于MOF的机器学习算法优选方法、存储介质及计算设备，以解决上述背景所提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于MOF的机器学习算法优选方法，其包括以下步骤：

S1、采集多种体系MOFs的几何描述符、能量描述符和性能参数吸附量，并基于其建立数据集；

S2、将数据集分为训练集和测试集，并进行特征预处理；

S3、运用多种机器学习算法对训练集进行机器学习模型训练，并调整超参数至精度最优；

S4、将测试集放入模型中，计算模型的预测准确性，对比不同机器学习模型的准确性；

S5、根据模型准确性定量模型的预测能力，筛选出MOFs吸附量数据的最优机器学习算法。

优选的，在步骤S1中，多种体系分别为：甲烷、乙烷、丙烷(吸附体系)、分离体系中的丙烷、丁烷、戊烷、己烷、辛烷，乙醇、氧气、二甲苯、硫化氢、芥子气模拟剂2等。

优选的，在步骤S1中，几何描述符为孔隙率、体积比表面积、最大孔径、最小孔径、密度，能量描述符为吸附热、亨利系数，性能参数为吸附量。

优选的，在步骤S2中，数据集按照留出法将数据集按7：3的比例随机取样的方式分为训练集和测试集。

优选的，在步骤S3中，运用多种机器学习算法包括决策树(DT)、梯度提升决策树(GBDT)、最近邻结点算法(KNN)、套索回归(Lasso)、随机森林(RF)、支持向量机(SVM)、贝叶斯回归(Bayesian ridge)、自动机器学习(TPOT)、极端提升决策树(XGBoost)、岭回归(Ridge)等。