近日，我校太阳成集团tyc9728庞青青团队与华中师范大学郭彦炳/涂斌斌团队合作，在《Journal of the American Chemical Society》上发表题为“Machine Learning-Guided Pore Engineering of Metal−Organic Frameworks for Ultrahigh Volumetric Methane Storage”的重要研究论文。武汉科技大学庞青青讲师、华中师范大学郭彦炳教授、涂斌斌副教授为论文共同通讯作者。

在全球能源低碳转型的背景下，甲烷作为清洁高效能源，在交通动力、工业燃料等领域应用价值巨大。但甲烷能量密度低、车载存储效率差、安全性不足，一直是制约其规模化应用的关键瓶颈。吸附式天然气（ANG）技术被认为是温和条件下实现甲烷高密度存储的重要方向，而高性能多孔吸附材料是其中的核心。传统金属有机框架（MOFs）材料研发高度依赖经验试错，筛选效率低、周期长、成本高，面对十万级结构库几乎无法遍历，且构效关系模糊，难以精准指导材料优化。

针对上述难题，研究团队创新性构建了机器学习驱动的孔道工程策略。基于海量模拟数据训练Extra Trees Regressor高精度预测模型（R² = 0.96），通过特征解析与大数据统计，首次系统阐明了孔隙率、孔体积、骨架密度三者的非单调协同调控规律，精准锁定最优参数区间（孔隙率0.78–0.86、孔体积1.20–2.00 cm³ g^-1、骨架密度0.40–0.70 g cm^-3）。在此基础上，机器学习从庞大结构库中快速筛选出UMCM-4、MUF-8、MOF-5三种兼具高潜力、易合成、孔道稳定的候选材料；并在最优参数指导下开展精准配体官能化改性，最终获得MUF-8-CH₃、MUF-8-C₄H₄，其甲烷体积工作容量达到237 cm³_(STP) cm^-3，刷新目前所有MOFs材料纪录。实验证实，该系列材料不仅容量顶尖，还具备优异的循环稳定性和良好的工况适应性。通过密度泛函理论（DFT）模拟，研究团队进一步揭示了功能基团引入增强的C–H···π、C–H···O、C–H···Br等相互作用，从微观层面解释了容量提升机制，印证了机器学习指导的合理性。

该研究为清洁能源材料的智能化研发提供了重要参考，有助于加速低碳技术的落地应用。

本研究获得了国家自然科学基金、湖北省自然科学基金以及中央高校基本科研业务费等项目的大力支持。