《Microporous and Mesoporous Materials》：Combined statistical physics and artificial neural network modeling of hydrocarbon adsorption on Zr-MOF for natural gas purification
编辑推荐：
•结合统计物理学与人工神经网络模型，研究烃类在Zr-MOF上的吸附现象。•多层统计物理模型能够精准拟合实验得到的等温线（R2 ≈ 0.991–0.999）。•吸附机制表现为多分子吸附及多层结构形成。•相互作用能（<20 kJ·mol-1）表明该吸附为FJI-W60表面的物理吸附。
- •
结合统计物理学与人工神经网络模型，研究烃类在Zr-MOF上的吸附现象。
- •
多层统计物理模型能够精准拟合实验得到的等温线（R2 ≈ 0.991–0.999）。
- •
吸附机制表现为多分子吸附及多层结构形成。
- •
相互作用能（<20 kJ·mol-1）表明该吸附为FJI-W60表面的物理吸附。
- •
人工神经网络模型可高精度预测吸附容量（R > 0.99）。
引言
从天然气混合物中提纯甲烷（CH4）是能源加工与环境可持续性领域面临的重大挑战，因为天然气中通常含有乙烷（C2H6）和丙烷（C3H8）等较重的烃类，这些成分必须被去除才能用于工业生产或管道运输。现有的分离技术——包括深冷蒸馏、吸收法、膜分离以及变压吸附——都存在能耗高、成本大或选择性不足等问题。虽然深冷蒸馏效率很高，但它既耗能又需大量投资；而吸收法和膜分离过程则往往面临复杂的再生问题或渗透性与选择性的权衡。正是由于这些限制，人们越来越关注以吸附为基础的分离技术，将其视为一种高效的烃类提纯替代方案[1]、[2]、[3]、[4]。
吸附分离技术因其操作简单、能耗较低，且适合在温和条件下实现选择性气体捕获而备受青睐。其性能在很大程度上取决于吸附剂的物理化学性质，如比表面积、孔径分布、表面功能团以及吸附位点的异质性。在各种多孔材料中，金属-有机框架因具有极高的比表面积、可调控的孔结构以及灵活的化学功能，而被视为选择性烃类吸附的理想材料[5]、[6]、[7]、[8]、[9]、[10]。尤其是具有分层或双孔结构的MOF，可以通过增强分子扩散作用以及加强宿主-客体间的相互作用，进一步提升分离性能[6]、[8]、[11]、[12]、[13]。尽管已有诸多进展，但关于烃类在MOF中的吸附机制仍存在许多未解之谜。在很多情况下，现有的实验数据无法充分揭示吸附位点、相互作用能以及结构异质性是如何影响分离性能的。因此，有必要对吸附行为进行更深入的分析，以确定决定CH4提纯效果的关键因素，并为设计更优的吸附剂提供依据。
吸附建模对于这一研究目标尤为重要，因为它能够帮助人们解读实验得到的等温线，进而预测不同操作条件下的吸附行为。朗缪尔方程和弗伦德利希方程等经典模型虽能提供初步的估算结果，但往往难以解释微观层面上的吸附现象。而统计物理模型则通过从分子层面描述吸附过程，有助于提取出具有物理意义的参数，如吸附位点数量、吸附能、空间效应以及吸附质与吸附剂之间的相互作用。借此，这类模型能够帮助人们了解表面异质性、多层吸附现象以及吸附分子的取向情况[14]、[15]、[16]。
与此同时，人工神经网络作为一种强大的数据驱动工具，也被广泛应用于复杂且非线性的吸附系统建模中。人工神经网络无需预先假设吸附机制，即可学习压力、温度以及材料特性等输入变量与吸附容量、选择性等输出结果之间的关系。由于其灵活性和高预测精度，这类模型尤其适用于多组分气体吸附过程，因为这类过程中的主导机制往往具有很强的非线性特征。在吸附科学领域，人工神经网络已被成功用于预测等温线、优化操作条件以及加速新材料筛选工作[17]、[18]、[19]、[20]。
本研究采用了统计物理学分析与人造神经网络这两种独立的建模方法，以研究烃类在某种特定的金属-有机框架（FJI-W60 MOF）上的吸附行为。研究过程中利用了现有文献中的实验数据，将机理分析与数据驱动的预测相结合。模型构建所依据的是Ji等人[21]在不同压力和温度条件下测得的实验吸附等温线。通过统计物理学方法，可以提取出关键的物理化学参数，从而描述控制烃类与MOF相互作用的吸附位点的性质、分布及其能量特征。同时，人工神经网络模型则用于预测不同操作条件下的吸附性能，以及揭示实验数据中的非线性关系。本研究的目的是通过将机理分析与数据驱动的预测相融合，更好地理解并预测基于MOF系统的烃类吸附行为，从而为设计更高效的CH4提纯及烃类分离用吸附剂提供支持。
章节要点
实验方法与模拟理论
在真空条件下对样品进行活化处理以去除其中的杂质分子后，使用容积式气体吸附分析仪在273 K和298 K下测量了CH4、C2H6和C3H8的单组分吸附等温线。所得到的单组分等温线被用来确定吸附容量，并借助理想吸附溶液理论计算多组分体系中的气体选择性。
图1展示了C3H8、C2H6和CH4气体在
人工神经网络模型
神经网络是一种智能计算模型，能够根据已识别的输入结构预测相应的输出结果。在使用之前，这类网络需要在大规模数据集上经过大量训练。一旦完成训练，它们就能够识别新输入数据中的相似模式，从而预测出对应的输出结果[23]、[24]。本研究中的人工神经网络建模是使用MATLAB 2016版本（9.0.0）完成的，采用了前馈多层感知器架构，并通过反向传播算法进行训练
统计物理学建模
本节对模型参数进行了全面分析，重点探讨了这些参数的变化规律、物理意义以及其对吸附过程的机理影响。通过分析，阐明了空间约束与能量相互作用如何共同影响吸附过程，同时也强调了这些参数在设计用于选择性气体分离的多孔材料时的重要性。通过对参数趋势的分析，可以获得关于吸附位点性质的宝贵见解
结论
本研究通过结合统计物理学建模与人工神经网络分析的方法，系统地研究了C3H8、C2H6和CH4在锆基金属-有机框架FJI-W60上的吸附行为。在不同温度下测得的实验吸附等温线显示，随着压力的增加，气体的吸附量持续上升，直至达到饱和状态，这一现象反映了可用吸附位点逐渐被占据的过程
作者贡献声明
Abdelmottaleb Ben Lamine： 文章撰写——审阅与编辑、模型验证、研究指导、方法设计。Fatma Aouaini： 文章撰写——初稿编写、软件应用、实验研究、数据整理。Wihed ElQods Jemmali： 文章撰写——初稿编写、软件应用、实验研究、正式分析、概念构建。Fatma Dhaouadi： 文章撰写——初稿编写、软件应用、方法设计、实验研究、正式分析、概念构建。Beriham Basha： 文章撰写——初稿编写、软件应用、实验研究、正式分析、概念构建。
利益冲突声明
? 作者声明不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
作者们感谢沙特阿拉伯利雅得努拉·宾特·阿卜杜勒-拉赫曼公主大学的研究人员支持项目（项目编号PNURSP2026R326）以及该大学对本研究提供的支持。
Wihed ElQods Jemmali|Fatma Dhaouadi|Alessandro Erto|Beriham Basha|Fatma Aouaini|Abdelmottaleb Ben Lamine
