《Results in Engineering》：Statistical evaluation of CO
2 adsorption performance of Covalent Organic Frameworks (COFs) using artificial neural network modeling
编辑推荐：
大气中因人类活动而不断上升的二氧化碳水平构成了重大的环境关切，促使大量研究工作聚焦于开发高效的CO?捕集技术[1]。碳捕集与封存（Carbon Capture and Storage, CCS）已成为一项重要的减缓策略，其中吸附被公认为特别有效的方法。与低温精
大气中因人类活动而不断上升的二氧化碳水平构成了重大的环境关切，促使大量研究工作聚焦于开发高效的CO?捕集技术[1]。碳捕集与封存（Carbon Capture and Storage, CCS）已成为一项重要的减缓策略，其中吸附被公认为特别有效的方法。与低温精馏、膜分离和吸收等传统技术相比，吸附具有能耗更低、选择性更高、操作适应性更强以及环境可持续性更优等优势[2]。因此，针对CO?捕集的高效固体吸附剂的设计与改进已受到广泛关注，作为全球气候变化减缓努力的重要组成部分[3]。
在各类吸附剂材料中，共价有机框架（Covalent Organic Frameworks, COFs）因其优异的化学和热稳定性、高比表面积以及结构可调性而成为极具前景的碳捕集候选材料。与依赖金属-配体配位键的金属有机框架（Metal-Organic Frameworks, MOFs）不同，COFs完全由强共价键构成，因而在潮湿环境下具有更优异的稳定性。此外，COFs具有高度有序的晶体结构和均匀的孔道系统，能够实现对孔径、几何构型和表面功能化的精确调控，从而增强CO?吸附性能。
尽管机器学习（Machine Learning, ML）方法已成功应用于活性炭、沸石、MOFs和页岩体系的CO?吸附预测，但其在COF吸附研究中的应用仍相对不足。现有研究大多侧重于预测性能，而对结构变量与操作变量相对重要性的系统解析关注有限。为弥补这一空白，本研究利用从已发表文献中汇编的实验数据库，开发了人工神经网络（Artificial Neural Network, ANN）模型。该模型采用BET比表面积、总孔体积、孔径等易于获取的结构描述符，结合温度和压力等操作条件，预测CO?吸附容量。模型的预测性能得到系统评估，并采用Garson算法量化各输入变量的相对重要性，为解析影响CO?吸附的关键因素提供了见解。该框架能够在相关输入参数可得的情况下实现COF吸附剂的快速预测与筛选，为碳捕集应用中高性能COF材料的合理设计、优化与开发提供了实用工具。
一、研究背景与问题提出
大气中CO?浓度持续上升已成为全球性环境挑战，发展高效的CO?捕集技术是当前研究的热点方向。在众多捕集技术中，吸附法因能耗低、选择性高、操作灵活和环境友好等优势而备受关注。在各类固体吸附剂中，共价有机框架（Covalent Organic Frameworks, COFs）凭借其完全由强共价键构成的骨架结构，展现出优于金属有机框架（Metal-Organic Frameworks, MOFs）的化学和热稳定性；同时，其高度有序的晶体结构和均匀的孔道体系，使其在孔径、几何构型和表面功能化的精确调控方面优于多孔有机聚合物（Porous Organic Polymers, POPs）。此外，通过引入烯烃连接键和特定官能团，可进一步增强COFs的结构完整性和与CO?分子的相互作用，从而提升吸附容量和选择性。
尽管机器学习（Machine Learning, ML）方法已在活性炭、沸石、MOFs和页岩等体系的CO?吸附预测中取得良好效果，但在COF体系中的应用仍相对滞后。现有针对COFs的数据驱动研究多集中于预测性能本身，而对各结构变量和操作变量相对重要性的系统解释关注不足。鉴于CO?在COFs中的吸附受结构性质与操作条件之间高度耦合且非线性的相互作用控制，亟需建立能够同时实现高精度预测和关键影响因子解析的模型框架。
二、研究内容与主要结论
针对上述研究空白，研究人员从2009至2025年间发表的16篇研究文献中系统汇编了110个COFs的CO?吸附实验数据点，构建了用于人工神经网络（Artificial Neural Network, ANN）模型训练、验证和测试的综合数据库。模型输入参数包括BET比表面积、总孔体积、孔径、压力和温度五个变量，输出变量为CO?吸附容量。通过随机搜索优化模型超参数，最终确定采用含10个神经元的单隐藏层结构，并使用切线S型激活函数。网络训练采用Levenberg-Marquardt算法，数据集按70%、15%、15%的比例随机划分为训练集、验证集和测试集，并辅以5折交叉验证以降低过拟合风险。模型预测性能通过线性回归系数（R2）和均方根误差（Root Mean Square Error, RMSE）进行定量评估。此外，研究人员采用Garson算法对网络连接权重进行分析，量化了各输入变量对CO?吸附容量的相对贡献。
研究结果表明，所开发的ANN模型在训练、验证和测试阶段均展现出高精度的预测能力，实验值与预测值之间具有良好的一致性。Garson算法的分析结果揭示了各输入变量对CO?吸附容量的相对重要性排序，其中温度对吸附容量的影响最为显著，表明温度是主导CO?吸附性能的关键操作变量。该模型框架能够在输入参数可得的前提下实现COF吸附剂的快速预测与筛选，为高性能COF材料的合理设计、优化与开发提供了实用工具，对碳捕集技术的推进具有重要的科学意义和应用价值。
三、关键技术方法概述
研究人员主要采用了以下关键技术方法：其一，文献数据汇编与统计分析，从2009至2025年间发表的16篇研究文献中收集了110个COFs的CO?吸附实验数据点，涵盖BET比表面积、总孔体积、孔径、压力和温度五个输入变量及CO?吸附容量输出变量；其二，人工神经网络建模，使用MATLAB R2025b的神经网络工具箱，构建了含5个输入节点、10个隐藏层神经元和单输出节点的前馈网络结构，采用Levenberg-Marquardt训练算法，数据集按70%、15%、15%划分并辅以5折交叉验证；其三，Garson算法变量重要性分析，通过评估网络全部连接权重，定量计算各输入变量对CO?吸附容量的相对贡献。
四、研究结果
数据库构建与数据分布特征。 研究人员从2009至2025年间发表的16篇文献中汇编了110个COFs的CO?吸附实验数据点。数据分布分析显示，BET比表面积和孔径的分布范围较广，而温度和压力条件集中在特定区间。总体而言，较高的BET比表面积通常与更大的吸附潜力相关，微孔和介孔的优化组合有利于气体扩散和吸附速率提升；温度升高在物理吸附主导的体系中倾向于促进脱附、降低吸附容量，而CO?分压对吸附性能的影响在低压区（0.05至0.20 atm）不利，在高压区则呈现非线性关系。
ANN模型预测性能评估。 通过随机搜索优化确定最优网络架构为单隐藏层含10个神经元、采用切线S型激活函数。训练采用Levenberg-Marquardt算法，数据集按70%、15%、15%比例划分并辅以5折交叉验证。奇偶图（Parity plots）显示，训练集、验证集和测试集的实验值与预测值均紧密分布在理想对角线附近，表明模型在三个数据集上均具有较高的预测精度和良好的泛化能力。交叉验证结果一致，进一步确认了模型对未见数据的稳健预测能力。
输入变量相对重要性分析。 采用Garson算法对网络连接权重进行定量分析，计算了五个输入变量对CO?吸附容量的相对贡献。分析结果表明，温度是影响CO?吸附容量的最显著因素，其相对重要性在所有输入变量中排名第一。这一发现与物理吸附的基本规律一致，即温度升高会增加气体分子的动能，促进脱附过程，从而降低物理吸附主导体系中的吸附容量。其余变量的重要性排序为后续COF材料设计和操作条件优化提供了明确的优先级参考。
五、讨论与结论
讨论部分指出，本研究开发的ANN模型能够准确捕捉CO?在COFs中吸附的高度非线性关系，其预测精度优于传统经验模型。Garson算法的应用揭示了各输入变量的相对重要性，其中温度影响最为显著，这为COF吸附剂的筛选和操作条件的优化提供了重要指导。该框架的实用价值在于，当相关输入参数可得时，能够实现COF吸附剂CO?捕集性能的快速预测和筛选，加速高性能材料的发现进程。
研究结论部分指出，研究人员成功构建了一个基于文献实验数据的ANN模型，能够以高精度预测COFs在不同结构特征和操作条件下的CO?吸附容量。温度被确定为影响吸附性能的最关键因素。该研究方法为COF基碳捕集材料的快速筛选和理性设计提供了有效的工具，有助于推动可持续碳管理技术的发展。
