Chem.J.ChineseUniversities,2023,44(2),2022045920220459(1/11)CHEMICALJOURNALOFCHINESEUNIVERSITIES高等学校化学学报研究论文预测金属有机骨架甲烷和氢气输送能力的迁移学习建模陈少臣1，程敏1，王诗慧1，吴金奎1，罗磊1，薛小雨1，吉旭1，张长春2，周利1（1.四川大学化学工程学院,成都610065；2.四川铭泰顺硬质合金有限公司,遂宁629201）摘要基于深度神经网络(DNN)和迁移学习(TL),使用少量数据建立TL模型,精准预测了金属有机骨架(MOFs)的甲烷和氢气输送性能.首先,使用8414个MOFs在298K/65bar~298K/5.8bar(1bar=0.1MPa)条件下的甲烷输送数据训练一个决定系数(R2)为0.973的DNN[源任务(ST）模型].随后,将ST模型的部分参数冻结,使用100个MOFs在233K/65bar~358K/5.8bar条件下的甲烷输送数据和100个MOFs在198K/100bar~298K/5bar条件下的氢气输送数据分别微调ST模型,进行TL建模.结果表明,两个TL模型的R2分别为0.968和0.945,均高于其它5个传统的ML模型.所开发的TL模型在预测小数据集时具有高精度与高稳定性.最后,使用排列特征重要度方法来计算描述符重要度,明确了模型之间的“知识”共享情况,并在此基础上探讨了重要描述符和输送能力之间的关系.关键词金属有机骨架；甲烷与氢气；输送能力；深度神经网络；迁移学习；排列特征重要度中图分类号O641文献标志码Adoi：10.7503/cjcu20220459TransferLearningModelingforPredictingtheMethaneandHydrogenDeliveryCapacityofMetal-organicFrameworksCHENShaochen1，CHENGMin1，WANGShihui1，WUJinkui1，LUOLei1，XUEXiaoyu1，JIXu1，ZHANGChangchun2，ZHOULi1*（1.SchoolofChemicalEngineering，SichuanUniversity，Chengdu610065，China；2.SichuanMingtaishunCNCCuttingToolsCo.，Ltd.，Suining629201，China）AbstractAscriticalenergyresources，methaneandhydrogenhavebeenlimitedinlarge-scaleapplicationsduetotheirdifficultyinstoringatlowpressure.Metal-organicframeworks（MOFs）arepromisingmaterialsforgasdeliveryduetotheirhighlytunablenanoporousstructures.Atpresent，machinelearning（ML）hasbeenusedtoassistinthescreeningofhigh-performingMOFs，butthetraditionalMLmodelingneedstopayahighcosttoobtainalargeamountofdata，whentheamountofdataisinsufficient，theavailabilityofMLwillbegreatlyreduced.Inthispaper，basedondeepneuralnetwork（DNN）andtransferlearning（TL），TL...
