大气中CO?浓度的增加加剧了气候变化及其相关影响[1]。最新数据显示，2021年CO?排放量约为10.9吉吨碳，浓度达到约415 ppm，这凸显了有效碳管理策略的迫切需求[2]。碳捕获、利用和储存（CCUS），特别是基于吸附的技术，对于实现碳中和至关重要。开发具有高CO?容量、选择性和稳定性的固体吸附剂对于高效的捕获过程至关重要[3]。碳基材料、金属有机框架（MOFs）、共价有机框架（COFs）、聚合物、金属氧化物和沸石等材料被用于CO?吸附[3]。
沸石是具有均匀尺寸微孔（<2 nm）和明确框架结构的结晶铝硅酸盐[4]。它们具有高表面积，并具有阳离子交换位点，其密度由框架的Si/Al比率决定（表S1）[5]。这些额外的框架外阳离子（如Na?和Ca2?）会产生与CO?有利的强静电场[6]。它们还具有化学和热稳定性，无毒且相对便宜，适用于大规模的碳捕获和储存（CCS）。值得注意的是，通过调整Si/Al比率可以改变疏水性和电荷密度：较低的比率提供更多的阳离子位点和更高的CO?亲和力，但也会增加水的吸附[7]。相比之下，较高的比率导致较少的位点和更大的疏水性[8]。
此外，MOFs是一类由金属离子或簇和有机连接剂组成的结晶多孔材料[9]。MOFs表现出极高的孔隙率和表面积，其孔结构和化学性质可以通过选择金属节点和有机连接剂来轻松调整。例如，引入M-MOF-74等金属中心（M = Mg、Ni、Co、Zn）可以提供开放的配位位点，从而强结合CO?。同时，有机配体的多样性使得孔径可以从几埃调整到纳米级别。这些特性使得许多MOFs能够在高压下实现创纪录的CO?容量[10]。然而，MOFs的稳定性和合成成本可能是问题，而且它们通常对水敏感。
为了克服这些限制，结合沸石核和MOF壳层的混合核壳吸附剂成为捕获CO?的有希望的策略。最近的研究趋势（图1(a)）显示，从2015年到2024年，关于先进复合吸附剂的研究活动显著增加，特别是沸石和核壳系统。图1(b)中的示意图突出了这些混合材料的关键功能优势。实验表明，设计良好的沸石@MOF复合材料在CO?吸附、选择性和循环稳定性方面优于其单独组分[11]。
例如，Yang等人报告称，在298 K和潮湿烟气条件下，LiX@ZIF-8复合材料表现出1.73 mmol g?1的高CO?吸附量，并且具有优异的耐湿性，在50次吸附/脱附循环后仍保持超过90%的容量[12]。类似地，其他核壳材料，如ZSM-5@MOF-199、13×@ZIF-8和5A@MOF-74，也通过温和、环保的方法合成，以提高CO?的选择性和稳定性。值得注意的是，Al-Naddaf等人合成了Zeolite-5A@Ni-MOF-74核壳复合材料，并观察到其CO?吸附量比MOF-74高出20–30%，这归因于沸石–MOF界面形成的额外介孔[13]。实验表明，沸石和MOF吸附剂中的CO?吸附与框架组成和拓扑结构密切相关。
在分子层面，沸石和MOFs中的CO?吸附受框架组成和拓扑结构的控制。原子级研究表明，在MFI型沸石中，Al原子的总数（从而是阳离子的数量）决定了CO?的容量。相比之下，Al的空间分布（如Al–O–Al键）可以显著影响特定拓扑结构中的吸附等温热[14]。在MOFs中，金属中心和连接剂的化学性质影响路易斯酸度，而官能团和孔径大小调节选择性。通过结合这些互补特性，混合吸附剂旨在利用刚性的沸石笼来强结合CO?，并利用MOF壳层提供额外的开放位点和耐湿性。
尽管分子模拟技术（如巨正则蒙特卡洛（GCMC）和分子动力学）可以准确预测吸附等温线，但它们在计算上要求较高，特别是对于大型、灵活或层次结构复杂的材料[15]。因此，数据驱动建模已成为筛选和设计CO?吸附剂的有效替代方法。许多最近的研究展示了机器学习（ML）方法的潜力，包括人工神经网络（ANNs）和集成树模型，可以从材料描述符预测吸附性能。例如，Yulia等人开发了一个多目标框架，结合了ANN和遗传算法来改进MOFs中的CO?/CH?分离。他们的ANN实现了0.99的R2，优化后的MOF参数在理想条件下预测的CO?容量为9.97 mmol g?1[16]。Nikkah等人比较了多种ML模型（ANN-PSO、CSA-LSSVM、ANFIS、GEP）在一个大型MOF数据集上的表现，发现CSA-LSSVM在训练数据上的准确率最高，R2为0.971，并确定压力和表面积是CO?吸附的最关键输入[17]。同样，Namdeo等人应用了六种基于树的模型（GBDT、XGBoost、LightGBM、Random Forest、CatBoost、AdaBoost）来预测多孔碳上的CO?吸附。梯度提升决策树的表现优于其他模型，SHAP分析确定了影响CO?吸附的关键特征相互作用（压力和孔径参数）[18]。Li等人还使用随机森林回归器对348个MOF数据点进行了预测，CO?容量预测的R2为0.97[19]。Kirtil等人最近的一项大规模研究汇编了来自71项沸石研究的5700多个实验CO?等温线。通过应用各种ML算法（GLM、深度神经网络、决策树、SVM、GBT），他们发现梯度提升树是最有效的通用模型，R2为0.936。值得注意的是，特征重要性分析再次确定压力、Si/Al比率和阳离子类型是影响沸石中CO?吸附的关键因素[5]。这些ML研究共同表明，先进的算法可以快速预测吸附性能，而无需进行耗时的模拟。
尽管取得了这些进展，大多数现有的ML模型仍然局限于单组分吸附剂，并未明确考虑混合核壳材料的结构和界面复杂性。在沸石@MOF复合材料中，不能仅从单个相推断吸附行为，因为CO?的传输和结合受到层次孔隙连通性、Si/Al比率以及核壳界面处金属–配体配位效应的控制（图2）。因此，为独立材料开发的描述符可能无法捕捉这些系统中的控制机制，从而限制了在实际操作条件下的预测可靠性。
为了解决这一差距，本研究通过整合实验表征和机器学习建模，开发了一个专门针对层次化沸石@MOF核壳吸附剂的数据驱动框架。选择了一组代表性的沸石@MOF系统（表S2），涵盖了不同的框架拓扑、Si/Al比率、金属中心和孔隙层次结构，同时保持了统一的核壳架构。这种方法能够系统地阐明复合材料级别的结构–性能关系。所提出的框架不仅仅是一个通用预测器，而是一个合理的筛选和设计工具，减少了实验试错，并指导二次实验验证，以找到最有效的CO?捕获核壳配置。
