(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211096683.6 (22)申请日 2022.09.08 (71)申请人 广州大学 地址 510006 广东省广州市大 学城外环西 路230号 (72)发明人 乔智威　王伟　李丽风　郭淑雅　 黄秋红　王邦芬　曾纪珺　 (74)专利代理 机构 广州高炬知识产权代理有限 公司 44376 专利代理师 孔令环 (51)Int.Cl. G06F 30/27(2020.01) G06N 5/00(2006.01) G06N 20/00(2019.01) G16C 60/00(2019.01)G16C 20/30(2019.01) (54)发明名称 一种筛选金属有机框架的吸附性能方法、 装 置及存储介质 (57)摘要 本发明公开了一种筛选金属有机框架的吸 附性能方法、 装置及存储介质， 该方法包括以下 步骤： S1、 采集待研究的MOFs材料的描 述符， 描述 符包括结构描述符、 能量描述符和性能描述符， 并建立数据集； S2、 利用数据集进行机器学习模 型训练， 得到可解释模型； S3、 利用可解释算法对 采集的数据集样本进行解释； S4、 针对解释 的结 果， 从中筛选最优MOFs结构。 本发明的方法以一 种新的角度去预测并快速筛选吸附性能优异的 MOFs材料， 加速了MOFs的筛 选过程。 权利要求书1页 说明书5页 附图2页 CN 115544862 A 2022.12.30 CN 115544862 A 1.一种筛 选金属有机 框架的吸附性能的方法， 其特 征在于， 包括以下步骤： S1、 采集待研究的MOFs材料的描述符， 描述符包括结构描述符、 能量描述符和性能描述 符， 并建立数据集； S2、 利用数据集进行机器学习模型训练， 得到可解释模型； S3、 利用可解释算法对 采集的数据集样本进行解释； S4、 针对解释的结果， 从中筛 选最优MOFs结构。 2.根据权利要求1所述的方法， 其特征在于， 所述步骤S1中， 数据采集的方式是使用 GCMC方法对3139 9个hMOF里的MOFs进行计算。 3.根据权利要求1所述的方法， 其特征在于， 所述步骤S1中， 所述结构描述符包括材料 的孔隙率、 最大孔径、 比表面积、 密度， 所述的能量描述符包括亨利系数、 吸附热， 性能描述 符为吸附量。 4.根据权利要求2所述的方法， 其特征在于， 所述步骤S2中， 所用的机器学习模型包括 决策树、 梯度提升决策树、 最近邻结点算法、 套索回归、 随机森林、 支持向量机、 贝叶斯回归、 自动机器学习 、 极端提升决策树、 岭回归这10种机器学习算法模型。 5.根据权利要求4所述的方法， 其特征在于， 所述步骤S2中， 可解释性模型是最优的机 器学习模型极端提升决策树， 进行的可解释化操作。 6.根据权利要求2所述的方法， 其特 征在于， 所述 步骤S3中可解释方法是SHAP。 7.一种筛选金属有机框架的吸附性能的装置， 其特征在于， 所述装置至少包含一个处 理器、 以及所述处理器连接的存储器、 总线； 其中， 所述处理器、 内存 可以通过总线完成相互 间的通信； 所述处理器用于调用存储器中的程序指令， 实现权利要求1至6任意一项所述的 一种筛选金属有机 框架的吸附性能方法。 8.一种计算机存储介质， 其特征在于， 所述存储介质包括一组计算机可执行指令， 实现 权利要求1至 6任意一项所述的一种筛 选金属有机 框架的吸附性能方法。权　利　要　求　书 1/1 页 2 CN 115544862 A 2一种筛选金属有机框架的吸附性能方 法、 装置及存储介质 技术领域 本发明属于化学与纳 米复合催化材料技术领域， 特别涉及一种筛选金属有机框架 的吸附性能方法、 装置及存 储介质。 背景技术 气田中的天然气是一种多组分混合气体燃料， 主要成分为70～90％含量的甲烷、 0 ～22％含量的乙烷和丙烷。 在C O2、 SO2等杂质去除后， 对天然气中乙烷、 丙烷进行吸附， 可以 净化天然气使甲烷含量显著提高， 降低 天然气其他成分对其燃烧特性的影响， 还可以提高 天然气的附加 值。 提纯出来的乙烷通过脱氢反应可以获得乙烯， 丙烷可作为液化石油气的 主要成分。 因此， 天然气中的高效分离也为下游的产品提供大量的化工生产原料， 使得它们 的分离显得尤重要。 金属有机框架(MOFs)是一种新型有机 ‑无机杂化 的新型多孔材料， 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， 这些特性使得MOFs在气体 储存、 吸附分离、 光学、 催化、 药物负载等方面广泛使用。 此外， MOFs材料在吸附甲烷、 乙烷、 丙烷吸附方面 也具有优异效果。 然而， 组成MOFs材料的结构组成单元和拓扑结构具有种类繁多、 组合多样的特点， 实验和计算机模拟合成的MOFs数量快速增加， 许多数据库也被建立。 传统的实验验证方法 巨大的时间和金钱消耗限制MOFs材 料的发展和应用， 且具有一定的盲目性。 近些年， 随着计算机硬件设备发展、 数据库的不断完善和机器学习算法的开发， 基 于机器学习的方法在MOFs材料研发方面得到的巨大发展和 应用。 然而， 随着机器学习模型 的复杂度增加， 机器学习的结果可解释性变差， 输入模型却无法了解如何影响输出， SHAP (SHapley  Additive  exPlanations)是一种博弈论方法， 用于解释任何机器学习 模型的输 出。 它使用博弈论中的经典S hapley值及其相关扩展将最优信用分配与局部解释联系起来。 从而， 经过模型可解释的研究， 筛 选MOFs结构， 提高了 MOF材料的研发效率。 发明内容 鉴于现有技术的上述缺陷， 本发明的目的在于提供一种筛选金属有机框架的吸附 性能方法、 装置及存 储介质， 以解决上述背景技 术中所提出的问题。 本发明提供如下的技 术方案： 一种机器学习可解释性筛选金属有机框架的甲烷、 乙烷、 丙烷的吸附性能方法， 该 方法包括如下步骤： S1、 采集待研究的MOFs材料的描述符， 描述符包括结构描述符、 能量描述符和性能 描述符， 并建立数据集； S2、 利用数据集进行机器学习模型训练， 得到可解释模型； S3、 利用可解释算法对 采集的数据集样本进行解释； S4、 针对解释的结果， 从中筛 选最优MOFs结构；说　明　书 1/5 页 3 CN 115544862 A 3