Key points are not available for this paper at this time.
Die Gasdiffusion bestimmt die Leistung von metall-organischen Rahmenstrukturen (MOFs) in verschiedenen praktischen Anwendungen, einschließlich membranbasierter Trennungen, doch ihre experimentelle Messung ist herausfordernd. Wir präsentierten ein effizientes rechnerisches Rahmenwerk, das hochpräzise molekulare Dynamik (MD) Simulationen mit Maschinenlernen (ML) integriert, um die Diffusivitäten von CO₂, N₂, O₂, CH₄ und H₂ in >18.000 synthetisierten und hypothetischen MOFs vorherzusagen. ML-Modelle, die auf MD-Daten trainiert wurden, sagten die Gasdiffusivitäten eines beliebigen MOF innerhalb von Minuten mit nur leicht zugänglichen strukturellen und gastbezogenen Eigenschaften genau voraus. Wir stellten eine interaktive, benutzerfreundliche Weboberfläche zur Verfügung, um die Diffusivitäten von MOFs vorherzusagen und die Materialauswahl zu erleichtern. Durch die Nutzung der ML-vorhergesagten Diffusivitäten bewerteten wir die membranbasierten Gastrennungsleistungen aller MOFs für sieben industriell wichtige Trennungen: CO₂/N₂, CO₂/CH₄, N₂/CH₄, H₂/CO₂, H₂/CH₄, H₂/N₂ und O₂/N₂. Die besten MOF-Membranen, die eine hohe Selektivität und Permeabilität bieten, wurden identifiziert und analysiert, indem molekulare Fingerabdrücke verwendet wurden, um die kritischen chemischen Eigenschaften für das Design zukünftiger MOFs offenzulegen.
Sezgin et al. (Mi,) untersuchten diese Frage.