李松課題組JMCA：基于MOFs/COFs的級聯吸附式熱泵制冷性能的大規模評價與機器學習預測

youyoucao 4年前 (2019-10-06) 3313瀏覽

【前言】

華中科技大學李松課題組的博士研究生李煒和夏瀟瀟在Journal of Materials Chemistry A上在線刊發了題為[Large-scale Evaluation of Cascaded Adsorption Heat Pumps Based on Metal/Covalent-Organic Frameworks]的文章（DOI: 10.1039/C9TA09227G）。文章報道了一種能夠快速、準確評價三百多萬種基于MOFs/COFs的級聯吸附式熱泵制冷性能的大規模評價與機器學習預測方法。

共同第一作者：李煒、夏瀟瀟?博士研究生；通訊作者：李松副教授

DOI: 10.1039/C9TA09227G

【文章亮點】

  • 高通量計算篩選與吸附式熱泵的熱力學模型相結合，首次構建了直接預測三百萬余種基于MOFs/COFs的級聯吸附式熱泵（Cascaded Adsorption Heat Pumps, cAHPs）制冷性能系數（Coefficientof Performance?for?Cooling, COPC）的方法，并發現了將級聯吸附式熱泵COPC提高至1.81的最佳MOF/COF組合。
  • 采用大數據分析方法揭示了適用于低溫級（Low-temperatureStage,?LS）和高溫級（High-temperature?Stage?,HS）吸附劑的結構特征、吸附性能和COPC之間的構效關系模型。研究發現大孔COFs更適用于cAHPs的低溫級，而小孔MOFs更適用于高溫級，并通過實驗驗證了該結果的可靠性。
  • 開發適用于級聯吸附式熱泵的機器學習方法，實現了對數百萬種級聯吸附式熱泵的COPC的高性能預測，將每種級聯吸附式熱泵COPC的預測時間縮短至0.003秒。

【背景介紹】

吸附式熱泵是一種采用低品位能源（如太陽能或工業廢熱）驅動的制冷/制熱裝置，可有效降低傳統化石能源消耗，實現節能環保的長遠目標，受到研究人員廣泛的關注。傳統吸附劑由于吸附量低、再生能耗高等缺陷，導致其熱泵性能系數（COP）偏低，難以滿足實際應用需求。作為表面積超高的納米多孔材料，金屬有機骨架（MOFs）和有機共價骨架（COFs）都具有優良的吸附性能，有望成為適用于吸附式熱泵的吸附劑。傳統的單級吸附式熱泵的COPC依然較低（COPC ≤ 1），而由低溫級（LS）和高溫級（HS）構成的級聯吸附式熱泵的COPC 可成倍提高（COPC可接近2）。由于MOFs/COFs組合而成的級聯吸附式熱泵數據眾多，為了快速評價其制冷性能（COPC）和構效關系，從而為新型高性能級聯吸附式熱泵的設計與發展提供理論支持，本文采用基于分子模擬與熱力學模型相結合的高通量計算篩選方法，首次開發了對約320萬種吸附式熱泵制冷性能（COPC）的預測方法，并采用大數據分析方法獲得了其構效關系模型，闡明了影響COPC的關鍵結構特征與吸附性能。最后，首次采用機器學習方法成功預測了數百萬種級聯吸附式熱泵的COPC，極大地提高了對其制冷性能的評價效率。

圖1. 基于MOFs/COFs的級聯吸附式熱泵制冷性能的大規模評價

【圖文解析】

1. MOFs/COFs吸附劑組合的影響

MOFs和COFs組合種類對制冷性能有直接影響。圖2a展示了當級聯吸附式熱泵的低溫級（LS）和高溫級（HS）由相同和不同吸附劑（MOFs和COFs）組成時，其COPC的分布特征。結果表明由不同吸附劑種類組合構成的熱泵更可能呈現較高的COPC。四種組合中，COFs用于LS和MOFs用于HS的級聯吸附式熱泵更大概率具有最佳的制冷性能(圖2b)。

圖2.(a) LS和HS由相同和不同吸附劑組成的級聯吸附式熱泵的COPC；(b) LS和HS的不同MOFs和COFs組合對COPC的影響。

?2.?制冷性能（COPC）與結構特征之間的關系

圖3展示了級聯吸附式熱泵的COPC?與LS和HS中的吸附劑（MOFs/COFs）結構特征（最大孔直徑LCD、孔容Va）之間的關系。結果表明，當LS和HS中吸附劑的LCD之比約為1.5且LCDLS?= 15 ?時，COPC最高。對于Va而言，VLS/VHS?= 2且 VLS?= 2 cm3/g時，COPC最高。

圖3. 制冷性能與LS和HS的吸附劑結構特征之間的關系

?3.?制冷性能（COPC）與吸附特征之間的關系

圖4揭示了制冷性能與吸附特征之間的關系，COPC隨著總工作吸附量的增加而增加，當吸附熱<ΔadsH>過高或過低時，ΔWLS+ ΔWHS較低，因而限制了COPC；當ΔWLS+ ΔWHS較高、<ΔadsH>在40-60 kJ/mol時，COPC較高。圖4b進一步揭示了COPC最高時，其LS和HS吸附劑的吸附熱之和為80 kJ/mol，且各級吸附劑的吸附熱接近，約為40 kJ/mol。

圖4.COPC與總工作吸附量和吸附熱之間的關系

4. 機器學習預測制冷性能（COPC）

機器學習結果表明基于隨機森林（Random?Forest,?RF）算法能夠更加快速準確地預測數百萬個級聯吸附式熱泵的制冷性能（COPC），平均每種熱泵組合用時僅約0.003秒。同時，各影響因素定量分析結果表明，對于LS的COPC而言，孔容（Va）扮演最為重要的角色，其次為亨利系數（KH）；對于HS的COPC， KH具有更重要的作用。這表明孔容對于LS的吸附量具有重要影響，而在高溫工況下，吸附曲線的形狀（即I型吸附曲線）對于HS更為重要。

圖5. 不同機器學習算法（a, MLR; b, DT; c, GBM, d, RF）預測COPC的準確性及(e-f)其關鍵影響因素分析

【總結展望】

綜上，本研究突破了現有對級聯吸附式熱泵性能評價方法的局限，為大規模預測和開發高性能級聯吸附式熱泵的性能提供了新的研究方法和思路，促進了級聯吸附式熱泵的發展與應用。

文章鏈接：

https://pubs.rsc.org/en/content/articlelanding/2019/ta/c9ta09227g#!divAbstract

本文由華中科技大學李松課題組供稿。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com.

投稿以及內容合作可加編輯微信：cailiaorenVIP.

分享到