1. 毕业设计（论文）主要内容：

近年来发展的材料基因组技术为推动新材料设计与开发、缩短新材料研发周期提供了强有力的支撑作用，在诸多研究热点如光伏材料、纳孔材料等应用领域产生了非常明显的推动作用。多孔骨架材料因具备较高的比表面积、自由孔体积和化学稳定性，在气体储存、气体分离与催化等领域具有潜在应用价值。本课题以Ｗilmer等建立的虚拟金属有机骨架材料（hMOFs）数据库为研究对象，采用支持向量机（SVM）、随机森林（RF）、梯度提升回归树（GBRT）等机器学习方法建立其甲烷存贮性能的构效关系模型，对hMOFs材料不同描述参数的选择、训练组数据的提取方法以及不同机器学习方法对模型预测能力的影响进行合理评价，为进一步提高多孔骨架材料构效关系模型预测精度、以不同应用为导向进行多孔骨架材料的高通量筛选奠定理论与实践基础。

2. 毕业设计（论文）主要任务及要求

1. 查阅不少于20篇相关文献资料，其中英文文献不少于5篇，撰写开题报告；

2.hmofs数据库的整理及数据预处理，得到可供机器学习使用的输入数据；

3. 选用svm、rf和gbrt等机器学习方法对数据进行训练、测试，并逐步寻找优化机器学习参数、提高模型预测精度的方法；

3. 毕业设计（论文）完成任务的计划与安排

第1-2周：资料收集、整理，撰写开题报告，完成英文翻译

第3-5周：熟悉多孔骨架材料甲烷存贮研究的应用背景，掌握机器学习数据的预处理、模型建立及参数调优方法以及各种机器学习算法的实现

第6-9周：hmofs数据库的整理及数据预处理

4. 主要参考文献

[1] pardakhtim.,moharreri e.,wanik d.,et al. machine learning using combined structural and chemicaldescriptors for prediction of methane adsorption performance of metalorganic frameworks (mofs)[j]. acs combinatorial science, 2017.

[2] raccugliap.,elbert k. c.,adler p. d. f.,et al. machine-learning-assisted materials discovery using failedexperiments[j]. nature, 2016, 533(7601):73.

[3] wilmer c.e., leaf m., lee c.y.,et al. large-scale screening of hypotheticalmetal-organic frameworks[j]. nature chem., 2012, 4,83-89.