天然气是一种性价比很高的家用能源,其中85%的气体是甲烷,甲烷燃烧后仅产生水和二氧化碳,因此它还具有干净环保的优点。然而天然气的存储不易,而金属有机骨架化合物(Metal-Organic Frameworks,MOFs)含有极为微小的孔隙,可用于存贮甲烷。不同MOFs对甲烷的吸附能力不同。发现高性能的新型MOFs是一个在无穷的搜索空间进行查找的过程,需要研究人员花费大量时间进行多次实验。为了提高新型MOFs的搜索效率,本文提出了一种基于生成模型的高甲烷吸附率MOFs的生成与筛选的方法:首先对MOFs数据集内的样本设计了简化分子线性输入规范(Simplified Molecular Input Line Entry Specification,SMILES)、原子坐标矩阵、原子点状图、三维网格空间四种容易获取且直观的数据表示形式,针对上述数据格式分别设计并训练Char-RNN、VAE、DCGAN、3DGAN四种生成模型,从中挑选出生成效果最佳的模型并生成大量样本,然后设计评估模型来判断生成样本是否属于假设性MOFs,最后比较朴素贝叶斯(Naive Bayes,NB)、k 最邻近(k-Nearest Neighbor,kNN)、逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM)、卷积神经网络(Convolutional Neural Networks,CNN)、长短期记忆网络(Long Short-Term Memory,LSTM)、多层感知机(Multilayer Perceptron,MLP)七种分类模型对MOFs甲烷吸附率的预测效果,挑选综合性能最佳的分类模型对被评估为假设性MOFs的生成样本进行预测,筛选出高甲烷吸附率的假设性MOFs。MOFs的结构信息中隐含着相关的各种物理、化学属性,利用此方法可以挖掘、学习结构与最终性能之间的非线性构效关系,为在实验室合成新型MOFs提供可能。实验表明,使用SMILES作为MOFs的表示形式,Char-RNN作为生成模型,CNN作为分类模型时本方法的性能最佳。此时生成样本的语法正确率达到63.89%,语法正确样本中被认定为假设性MOFs的样本占比达到88.26%,分类模型的准确率达到94.37%。