华中师范大学涂斌斌、郭彦炳&武汉科技大学Qingqing Pang等JACS:机器学习引导的金属有机框架(MOFs) 孔工程用于超高体积甲烷存储

传统的压缩天然气（CNG）需要沉重的高压气罐，液化天然气（LNG）则要消耗大量能量进行冷却。有没有更好的办法？

答案是：吸附天然气（ANG）技术。

这项技术的核心是寻找一种“海绵”，能在温和条件下高效吸附甲烷。而材料科学界的明星——金属有机框架（MOFs），凭借其极高的比表面积和可调的孔结构，成为了最有希望的候选者。

然而问题来了：目前已报道的MOF结构超过10万种，靠传统试错法筛选，就像大海捞针！

中国科研团队（华中师范大学、武汉科技大学等）在一项最新研究中，巧妙地引入了机器学习这把“金钥匙”。

他们做了什么？

（1）大数据训练：基于CoRE MOF 2024数据库，通过巨正则蒙特卡洛模拟生成了海量吸附数据

（2）算法PK：训练了7种机器学习模型，最终Extra Trees回归器脱颖而出（预测准确率R²=0.96）

（3）找出关键：通过SHAP值分析，锁定了影响甲烷存储的三大“命门”——孔隙率、孔体积、骨架密度

内容速览

本研究提出了一种机器学习引导的孔工程策略，用于高效筛选和优化金属有机框架材料，以实现优异的体积甲烷存储性能。研究团队基于CoRE MOF 2024数据库，通过巨正则蒙特卡洛模拟构建训练数据集，训练了多种机器学习模型，其中Extra Trees回归器表现最佳（R² = 0.96）。模型识别出孔隙率、孔体积和骨架密度为影响体积甲烷工作容量的关键结构描述符，并确定了其最优范围分别为0.78–0.86、1.20–2.00 cm³/g和0.40–0.70 g/cm³。

通过机器学习筛选，研究选取了UMCM-4、MUF-8和MOF-5三种MOFs进行实验验证，其实验测得的体积甲烷工作容量（5–100 bar，298 K）分别为225、225和231 cm³/cm³，与预测值高度一致。进一步，研究采用官能团修饰（如–NH₂、–CH₃、–Br、–C₄H₄）对材料进行孔工程调控，成功将MUF-8-CH₃和MUF-8-C₄H₄的体积工作容量提升至237 cm³/cm³，创下MOF材料的新纪录。

该研究展示了机器学习预测与实验孔工程相结合的范式，为高性能气体吸附材料的理性设计提供了可推广的路径。

研究图文

Figure 1、机器学习引导的金属有机框架（MOF）筛选与孔工程策略用于甲烷存储的示意图。

Figure 2、UMCM-4、MUF-8 和 MOF-5 的晶体结构。

Figure 3、体积甲烷工作容量（5–100 bar）与（a）孔隙率、（b）孔体积、（c）骨架密度之间的关系，图中虚线表示体积甲烷吸附能力排名前2%的MOFs。（d）不同孔隙率、孔体积和骨架密度范围内，排名前2% MOFs的分布情况。

Figure 4、298 K下UMCM-4、MUF-8、MOF-5及其衍生物的总甲烷体积吸附等温线。（a）UMCM-4及–NH₂/–CH₃/–Br衍生物（b）MUF-8及–CH₃/–C₄H₄/–Br衍生物（c）MOF-5及–NH₂/–CH₃/–Br衍生物（d）UMCM-4、MUF-8、MOF-5及其衍生物在5–100 bar、近室温条件下的质量与体积工作容量，并与基准多孔材料对比。

Figure 5、DFT模拟的MUF-8及其衍生物中甲烷分子在介孔笼内的结合结构。（a）MUF-8（b）MUF-8–C₄H₄（c）MUF-8–CH₃（d）MUF-8–Br。