传统化石能源（石油与煤炭）消耗释放出大量CO₂，由此导致的温室效应成为引起全球关注的重要环境问题之一。在过去十几年里，金属有机框架(MOFs)材料因具备极高的比表面积、独特的孔道结构。在洁净能源、CO₂捕集与存贮及CO₂催化转化等方面显示出极大的应用潜力。MOFs是有机配体与金属单元通过自组装而形成的具有周期性网络结构的晶体材料。构成MOFs材料的金属单元可以是金属离子或金属簇，有机配体可以是刚性、半刚性或柔性的有机分子。因此MOFs材料形成的孔道具有近乎无限的可扩展性。于是根据MOFs材料应用需求，实现定向分子设计成为可能。但是要合成结构稳定、孔道可调节、CO₂捕集性能优异的MOFs材料，依然面临极大的挑战。尤其是在创建材料结构与性能关系纽带上，存在难以逾越的鸿沟。

对此Deng等人首先提出并合成了MTV-MOFs材料，让MOFs材料的官能团连接体能够多样化的组合。他们以1,4-苯二甲酸酯为连接体进行官能团化，对MTV-MOFs提出了组建的方法。此外Deng等人发现的一种MOFs材料MTV-MOF-5-EHI（官能团E:-NO₂;H:-(OC₃H₅)₂;I:-(OC₇H₇)₂），在多个方面上都有明显的增强。这个发现也进一步促进了关于MTV-MOFs材料的关注和发展。此外Katzenmeyer等人采用类似的MixMOFs描述，通过PTIR技术对In-MIL-68-MixMOFs（一种复合光催化剂的MOFs材料），在高分辨下来确定MTV-MOFs材料的分布情况，以及当发生反应时反应位点的影响。

然而当面对大量的MOFs材料时，通过实验来得到MOFs材料所耗费的时间太长。随着计算机知识进一步运用，利用计算机来模拟MOFs材料开始变为可能。Han通过巨蒙特卡洛模拟预测，发现提高连接体之间静电力以及低的孔隙率，将会提高二氧化碳的吸附能力。之后Wilmer等人提出了利用计算机来构建MOFs材料的方法，将自己选定的连接体进行拼装得到大量的MOFs材料数据库。从得到的MOFs数据库中进行筛选为MOFs材料的合成提供指导。

很快此方法就应用于MTV-MOFs材料上。比如Wilson等人发表的，MTV-MOFs在氨基酸链修饰后进行计算研究。Yuan等人则采用了新的连接体顺序来安装，从而使MTV-MOFs材料能够精确定位其官能团的位置。有了大量的MOFs数据之后，高通量筛选也应运而生。Colon和Snurr从MOFs材料的结构、特征等方面，提出了对MOFs材料应用高通量筛选的方法，加速了分子模拟和筛选的时间。接着Altintas等人使用剑桥大学关于结构参数的数据集。将高通量筛选的结果与传统的多孔材料（沸石、活性炭）相比较，发现结构参数（孔径、表面积等）对选择性和吸附量有重要影响。Jiang等人利用高通量筛选从4764个材料（CoRE-MOFs）中得到了七种合适的膜材料，为天然气的吸附提供指导。

然而以当时的分子模拟软件，对于海量的MOFs材料处理所需要的时间还是难以接受。随着机器学习应用于材料基因组计划MGI，高通量筛选和机器学习进一步受到人们的关注。Tsamardinos 等人发表了如何将机器学习应用于MOFs材料。而Fernandez等人利用机器学习进行快速高精度识别，从292050个MOFs（以Zn为金属核心，连接体为1,4-苯二甲酸酯）材料数据集中发现了吸附能力在0.15bar下大于1 mmol/g ，和在 0.15 bar下大于4 mmol/g的材料。

然而对于MTV-MOFs材料方面的数据集，进行机器学习模型的构建还没有相关报道。目前李松课题组所建立的MTV-MOFs数据集是最大的（共计10995个），十分适合应用于需要大数据量的机器学习。本课题就是以李松等建立的MTV-MOFs材料数据库为研究对象，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二氧化碳存贮性能的构效关系模型，对MTV-MOFs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、以材料碳捕集性能为导向进行高通量筛选奠定理论与实践基础。

2. 研究的基本内容与方案

基本内容：

1. 对李松建立的MTV-MOFs数据库的进行整理及数据预处理，并对其模拟的各个MOFs材料挖掘其内在的参数，得到可供机器学习使用的输入数据