氣體是人類生存發(fā)展必不可少的自然資源。隨著社會與經濟的發(fā)展,人們生活水平的提升,在商業(yè)、工業(yè)以及生活中需要更加清潔的能源氣分,同時,有些氣體組分又是一些重要的化學及化工中間原料,可用于廣泛生產化學用品,對其進行分離,提純,不僅能有效的提高其能源利用效率,更能減少對環(huán)境的污染,操作使用安全。本研究基于一種新型高效有機無機雜化自組裝材料——金屬有機框架材料（Metal20organic20framework,MOF）作為吸附劑,采用高通量分子模擬技術分別以MOF材料對四種不同組合下的氣體組分進行分離:（H₂S+CO₂）/（CH₄+C₂H₆+C₃H₈）、甲硫醇/乙硫醇及CH₄、N₂、H₂S、O₂、CO₂、H₂、He等7種氣體組成的15種和21種混合氣體的膜分離行為。分子模擬主要采用巨正則系宗蒙特卡洛（Grand... 

【文章來源】：廣州大學廣東省

【文章頁數】：92 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 氣體
        1.1.1 天然氣
        1.1.2 硫醇
        1.1.3 7種氣體組分間的混合
    1.2 金屬有機框架材料(MOF)
        1.2.1 MOF的概念及發(fā)展
        1.2.2 MOF的吸附儲存應用
        1.2.3 MOF膜的分離擴散應用
    1.3 分子模擬方法
        1.3.1 巨正則系宗蒙特卡洛法
        1.3.2 分子動力學法
    1.4 分子模擬細節(jié)
        1.4.1 力場參數
        1.4.2 周期性邊界
        1.4.3 材料原子電荷評估
    1.5 機器學習方法
        1.5.1 主成分分析法
        1.5.2 偏最小二乘法
        1.5.3 決策樹法
        1.5.4 隨機森林
        1.5.5 支持向量機
        1.5.6 反向傳播神經網絡
        1.5.7 套索回歸
        1.5.8 多目標粒子群優(yōu)化算法
    1.6 研究目的與內容
第二章 高通量篩選金屬有機框架:分離天然氣中的酸性氣體
    2.1 引言
    2.2 分子模型的建立
        2.2.1 吸附劑模型的建立
        2.2.2 吸附質模型的建立
        2.2.3 力場參數
    2.3 模擬過程
    2.4 幾何結構特征計算
        2.4.1 孔徑
        2.4.2 孔隙率
        2.4.3 比表面積
        2.4.4 孔徑分布
    2.5 結果與討論
        2.5.1 權衡吸附量和選擇性
        2.5.2 多元線性回歸分析
        2.5.3 決策樹模型法
        2.5.4 最優(yōu)MOF
    2.6 本章小結
第三章 大數據篩分結合機器學習預測硫醇的分離與純化
    3.1 引言
    3.2 分子模型建立
        3.2.1 分子模型
        3.2.2 力場參數
    3.3 模擬細節(jié)
    3.4 結果與討論
        3.4.1 結構-性能分析
        3.4.2 PLS和 BPNN算法分析
        3.4.3 特征描述符權重分析
        3.4.4 最優(yōu)MOF及吸附等溫分析
    3.5 本章小結
第四章 模擬計算金屬有機框架膜對15種混合氣體的分離
    4.1 引言
    4.2 分子模型構建
        4.2.1 分子模型
        4.2.2 力場參數
    4.3 模擬細節(jié)
    4.4 結果與討論
        4.4.1 線性降維
        4.4.2 機器學習
        4.4.3 特征變量對綜合指標權重影響
        4.4.4 最優(yōu)MOFM
    4.5 本章小結
第五章 大數據分析結合智能優(yōu)化算法優(yōu)化材料幾何結構及其性能
    5.1 引言
    5.2 模擬細節(jié)
    5.3 結果與討論
        5.3.1 定向篩選
        5.3.2 套索回歸和多目標粒子群優(yōu)化
        5.3.3 氣體極性/矩差與最優(yōu)粒子結構的關聯
        5.3.4 非劣最優(yōu)MOF膜
    5.4 本章小結
第六章 總結與展望
    6.1 研究工作總結
    6.2 研究展望
參考文獻
攻讀碩士學位期間發(fā)表論文及其他學術成果
致謝



本文編號：3176388