In this study, a machine learning model was developed utilizing the Computable Experimental Metal-Organic Framework (CoREMOF) dataset to predict O$_2$ and N$_2$ gas selectivity. Traditionally, gas selectivity prediction methods have focused on predicting gas adsorption and gas diffusivity values separately through machine learning and calculating gas selectivity based on these predictions. However, this approach is susceptible to cumulative errors and often deviates significantly from actual values. To address this challenge, a single integrated model was introduced. New machine learning features, such as PSD% (pore size distribution percentage), Q_{st,N2}^0(heat of adsorption of nitrogen), and the Henry's coefficient of the gas, were incorporated to enhance the accuracy of the final gas selectivity predictions. Additionally, an analysis was conducted to examine the interplay between the characteristics used in machine learning training and the resultant gas selectivity. This study advocates for the direct prediction of gas selectivity using a unified machine learning model as the most appropriate approach for predicting gas separation characteristics.
이 연구는 산소(O$_2$) 및 질소(N$_2$) 기체의 선택성을 예측하기 위해 계산 가능한 실험 데이터 세트인 금속-유기 프레임워크(CoREMOF)를 활용하여 머신러닝 모델을 개발했습니다. 이전에는 기체 선택성 예측에 기체 흡착량과 기체 확산도를 각각 머신러닝으로 예측한 후 이를 기반으로 기체 선택성을 계산하는 방식이 사용되었습니다. 그러나 이 방법은 오차가 누적되어 실제 값과 큰 차이를 보이는 문제가 있었습니다. 이 어려움을 극복하기 위해 우리는 하나의 통합된 모델을 도입했습니다. 기공 분포 그래프 내의 면적 비율, 질소의 흡착에너지, 그리고 기체의 헨리 상수와 같은 새로운 머신러닝 특성을 도입하여 최종 가스 선택도 예측의 정확성을 향상시켰습니다. 더불어, 머신러닝 학습에 사용된 특성들과 최종 기체 선택도 간의 영향을 분석했습니다. 이 연구에서는 단일 머신러닝 모델을 사용하여 기체 선택성을 직접 예측하는 것이 가스 분리 특성을 예측하는 가장 적절한 방법임을 제안합니다.
