I en studie publicerad i tidskriften Frontiers of Environmental Science &Engineering , har forskare från Sichuan University avslöjat betydande insikter om struktur-prestanda-relationerna för metall-organiska ramverk (MOF). Deras studie belyser inte bara komplexiteten som är involverad i MOF:ers jodupptagsförmåga utan betonar också nödvändigheten av en omfattande, mångfacetterad analys.

I denna omfattande studie använde forskare storskalig molekylär simulering och maskininlärning (ML) för att identifiera de mest effektiva MOF:erna för att fånga upp gasformigt jod. Genom att använda en storslagen kanonisk Monte Carlo-simulering över en databas med 8 862 MOF:er kunde teamet förutsäga jodupptagsvärden och peka ut de 10 bästa MOF:erna, visualisera deras specifika adsorptionsplatser.

Genom att ytterligare använda ML etablerade de vitala struktur-egenskapsrelationer, som kopplade MOF:s strukturella och kemiska egenskaper till deras jodfångningseffektivitet. Denna studie avslöjade inte bara viktiga insikter i MOF:s struktur-prestanda-relationer, som visar en stark korrelation mellan vissa geometriska egenskaper som stor hålighetsstorlek och ytarea och förbättrat jodupptag, utan lyfte också fram nödvändigheten av multifaktoriell analys. Detta tillvägagångssätt var avgörande för att förstå att ingen enskild egenskap enbart kunde förutsäga en MOF:s jodupptagsförmåga, vilket markerar ett betydande framsteg inom området för miljömaterialdesign.

Denna forskning etablerar ett omfattande ramverk för att skapa avancerade MOF-adsorbenter, vilket förbättrar infångningen och återvinningen av radioaktivt jod och liknande flyktiga miljörisker. Det innebär ett betydande framsteg för att förbättra upparbetning och hantering av kärnbränsle, vilket väsentligt bidrar till radiokemi och strävan efter hållbar kärnenergi.

Mer information: Min Cheng et al., En storskalig screening av metallorganiska ramverk för jodfångning som kombinerar molekylär simulering och maskininlärning, Frontiers of Environmental Science &Engineering (2023). DOI:10.1007/s11783-023-1748-3

Tillhandahålls av Chinese Academy of Sciences