基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法技术

本发明专利技术涉及材料表面设计和分子模拟计算领域，公开了一种基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，其包括步骤：S1、采集MOF的几何描述符、能量描述符参数及多种有机缓蚀剂在MOF表面吸附量的数据，构成样品数据集；S2、将数据集划分为训练集和测试集，并将特征进行预处理；S3、使用自动机器学习算法模型训练，调整超参数至最佳效果；S4、选择多种机器学习算法进行训练，评估对模型的预测效果；S5、验证自动机器学习算法的准确性。本发明专利技术基于自动机器学习对多种有机缓蚀剂在金属有机框架表面吸附性能的预测，筛选出最佳机器学习算法，可大幅节约人力与时间，同时也使MOF体系的可预测性进一步提高。的可预测性进一步提高。的可预测性进一步提高。

【技术实现步骤摘要】
基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法


[0001]本专利技术涉及材料表面设计和分子模拟计算领域，尤其涉及一种基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法。

技术介绍

[0002]今年来，随着计算机的兴起，机器学习也广泛进入人们的认知，它几乎可以应用于人类今天面临的任何问题，然而伴随着一些挑战也接踵而来。机器学习算法需要针对每个不同的现实场景进行配置和优化，这使得人工操作非常密集，并且在监督开发那里花费了大量的时间，此手动流程也容易出错、效率不高且难于管理，更不用说配置和优化不同类型算法的专业知识的匮乏。因此，实现自动机器学习对机器学习的模型构建具有重要意义。TPOT是一种基于遗传算法优化机器学习管道的Python自动机器学习工具，TPOT使用基于树的结构来表示预测建模问题的模型管道，包括数据准备和建模算法以及模型超参数。它利用流行的Scikit
‑
Learn机器学习库进行数据转换和机器学习算法，并使用遗传编程随机全局搜索过程来有效地发现给定数据集的性能最佳的模型管道，它可以智能的探索数千个可能的pipeline，为数据集找到最好的pipeline，从而实现机器学习中枯燥的算法筛选、调参等部分。
[0003]有机缓蚀剂是常见的保护材料不被腐蚀的产品。在酸洗时为了减缓腐蚀，有机缓蚀剂被普遍的吸附于材料的表面，这有效的减缓了腐蚀的电极反应的发生。然而对于新型高性能晶体材料，有机缓蚀剂在材料表面的吸附机理仍有待探索。
[0004]金属有机框架(MOF)由金属团簇和有机链接组成，以其具有高孔隙率、结构多样性和具有定制功能的特点在对环境修复应用中显示出巨大的前景。它是一种可以进行功能化的修饰来提高吸附性和吸附选择性，从而表现出优良的稳定性、可回收适用性及再生性等优势的多孔材料。因此，研究有机缓蚀剂在Mof表面的吸附性能对高性能晶体材料的发展具有重大的意义。

技术实现思路

[0005]本专利技术的目的在于提供一种基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，通过自动机器学习算法进行预测，筛选出最佳的机器学习算法模型，降低了MOF体系的预测难度，为后续MOF的机器学习提供了依据，同时也减少了使用多种机器学习算法逐个预测所耗费的时间。
[0006]为了达到上述目的，在本专利技术提供如下的技术方案：
[0007]一种基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，其包括如下步骤：
[0008]S1、采集MOF的几何描述符、能量描述符参数及多种有机缓蚀剂在MOF表面吸附量的数据，构成样品数据集；
[0009]S2、将样品数据集划分为训练集和测试集，并将特征进行预处理；
[0010]S3、使用自动机器学习算法对模型进行训练，调整超参数至最佳效果；
[0011]S4、选择多种机器学习算法对模型进行训练，评估对模型的预测效果；
[0012]S5、验证自动机器学习算法的准确性；
[0013]其中，所述多种有机缓蚀剂包括醇、乙醇、甲硫醇和乙硫醇。
[0014]进一步地，所述S1中，所述MOF的几何描述符包括亨利系数、体积比表面积、亨利系数、最大孔径、密度和孔隙率。
[0015]进一步地，所述S2中，所述训练集和测试集的比例是7:3。
[0016]进一步地，所述将特征进行预处理，具体包括数据无效值处理、归一化处理、变量数据之间关系分析。
[0017]进一步地，所述S3中，所述调整超参数的方法包括贝叶斯优化、遗传算法和KerasTuner。
[0018]进一步地，所述S4中，所述多种机器学习算法包括支持向量机、随机森林、决策树、后向传播神经网络、贝叶斯逻辑回归方法、极端提升决策树、极端随机树。
[0019]进一步地，所述评估对模型的预测效果的指标包括决定系数R2、平均绝对误差MAE、均方差MSE。
[0020]进一步地，所述S5具体包括：
[0021]对比不同机器学习算法对吸附量的预测效果指标，找到最优的机器学习算法，比较与自动机器学习算法返回的算法效果。
[0022]进一步地，所述决定系数R2值接近1，平均绝对误差MSE和均方差MAE接近0的算法作为最佳算法。
[0023]本专利技术的有益技术效果至少在于以下几点：
[0024]1、本专利技术基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，基于计算机对MOF材料进行模拟与探索，很大程度的节省了人力、物力与精力，减少了实验品对人体与环境的危害，对科学实验具有很大的参考意义，加速了科研开发的进程。
[0025]2、本专利技术基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，通过自动机器学习算法进行预测，筛选出最佳的机器学习算法模型，降低了MOF体系的预测难度，为后续MOF的机器学习提供了依据，同时也减少了使用多种机器学习算法逐个预测所耗费的时间。
[0026]3、本专利技术基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，针对使用的机器学习模型具有可转移性的性能，应用于其他体系时也具有一定的指导作用。
附图说明
[0027]利用附图对本专利技术作进一步说明，但附图中的实施例不构成对本专利技术的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0028]图1为本专利技术基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法流程图。
[0029]图2为本专利技术实施例变量数据之间的关系热力图。
[0030]图3为本专利技术实施例TPOT模型的具体流程示意图。
具体实施方式
[0031]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0032]具体实施方式一：
[0033]参见附图1
‑
3，本专利技术实施例提供的基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，其包括如下步骤：
[0034]S1、采集MOF的几何描述符、能量描述符参数及多种有机缓蚀剂在MOF表面吸附量的数据，构成样品数据集；
[0035]首先通过高通量分子模拟方法计算Moghadam等人以ZIF
‑
8为界筛选出的31399个疏水hMOF对于甲硫醇、乙硫醇、甲醇、乙醇这些缓蚀剂的表面吸附性能，用于收集大量的材料性能数据，包括表面吸附热、表面吸附量、表面脱附量、吸附选择性和再生率。通过编译程序剥离每个实验已合成MOF的成分，包括有机链接、金属中心、拓扑结构和改性官能团；在删除重复的成分之后，对所收集的MOF组成进行分类归纳；然后单独计算每个MOF表面的极性，尺寸，亲疏水性，及它们与有机缓蚀剂之间的相互作用力，归纳所有的组成MOF成分的特性作为自变量用以之后的AI数据分析和材料设计。通过Zeo++软件计算每个MOF的结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，其特征在于，其包括如下步骤：S1、采集MOF的几何描述符、能量描述符参数及多种有机缓蚀剂在MOF表面吸附量的数据，构成样品数据集；S2、将数据集划分为训练集和测试集，并将特征进行预处理；S3、使用自动机器学习算法模型训练，调整超参数至最佳效果；S4、选择多种机器学习算法进行训练，评估对模型的预测效果；S5、验证自动机器学习算法的准确性；其中，所述多种有机缓蚀剂包括醇、乙醇、甲硫醇和乙硫醇。2.根据权利要求1所述的基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，其特征在于，所述步骤S1中，所述MOF的几何描述符包括亨利系数、体积比表面积、亨利系数、最大孔径、密度和孔隙率。3.根据权利要求1所述的基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，其特征在于，所述步骤S2中，所述训练集和测试集的比例是7:3。4.根据权利要求3所述的基于多种有机缓蚀剂在MOF表面吸附性能的机器学习方法，其特征在于，所述将特征进行预处理，具体包括数据无效值处理、归一化处理、变量数据之间关系分析。5.根据权利要...

【专利技术属性】
技术研发人员：乔智威，陈尤，李丽凤，王邦芬，朱鑫，梁红，李树华，吴玉芳，
申请(专利权)人：广州大学，
类型：发明
国别省市：