大气中CO?浓度的增加加剧了气候变化及其相关影响[1]。最近的数据显示，CO?排放量每年约为10.9吉吨（2021年），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]。这些外部框架阳离子（如Na?和Ca2?）会产生与CO?有利相互作用的强静电场[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，但也会增加水吸附[7]。相比之下，较高的比率会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具有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，加入M-MOF-74这样的金属中心（M = Mg、Ni、Co、Zn）可以提供能够强结合CO?的开放配位位点。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。这些特性使许多MOFs在高压下能够实现创纪录的CO?容量[10]。然而，MOFs的稳定性和合成成本可能是一个问题，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?的有前景策略。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（特别是沸石和核壳系统）的研究活动显著增加。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，LiX@ZIF-8复合材料在298 K和潮湿烟气条件下表现出1.73 mmol g?1的高CO?吸附量，并且在50次吸附/解吸循环后仍保持超过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，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，观察到其CO?吸附量比MOF-74高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。
在分子水平上，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（从而决定了阳离子的数量）决定了CO?的容量。相比之下，Al的空间分布（如Al–O–Al键合）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进行强CO?结合，并利用MOF壳层提供额外的开放位点和抗水性。
尽管分子模拟技术（如大正则蒙特卡洛（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、柔性或分层结构的材料[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等人开发了一个结合ANN和遗传算法的多目标框架，以改进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R2最高，为0.971，并确定压力和表面积是影响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（压力和孔参数）[18]。Li等人也在348个MOF数据点上使用了随机森林回归器，实现了0.97的R2[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，而无需进行详尽的模拟。
尽管取得了这些进展，大多数现有的ML模型仍然仅限于单一组分吸附剂，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?的传输和结合受到分层孔连通性、Si/Al比率以及核壳界面处金属-配体配位效应的影响（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，本研究通过将实验表征与机器学习建模相结合，开发了一个专门针对分层沸石@MOF核壳吸附剂的数据驱动框架。选择了一组具有不同框架拓扑、Si/Al比率、金属中心和孔层结构的代表性沸石@MOF系统（表S2），同时保持了一致的核壳架构。这种方法能够系统地阐明复合材料层面的结构-性能关系。该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，以找到高效的CO?捕获最有前景的核壳配置。
