含氮氧化物NO_x、有刺激性的无色气体NH₃以及液相油品中的C₅H₅N、C₄H₅N和C₄H₄O均为环境污染的主要来源之一。因此,研究如何从空气和液相油品中去除含氮化合物以降低污染成为当前一个热点问题。在多种脱氮技术中,吸附脱氮因环境友好、易操作等优点而备受关注。对于吸附脱氮,吸附剂的选择将直接影响其脱氮性能。金属有机骨架材料作为一种新型的吸附剂材料,在具有传统吸附剂特点的同时,还具有孔结构高度可调性、高比表面积、高孔隙率、低密度、可功能化孔空间等优良特性。本课题以HKUST-1这一在吸附脱氮方面有优良表现的金属有机骨架材料为研究主体,通过金属中心改性及配体官能团化以筛选出比本体HKUST-1吸附脱氮性能更好的吸附脱氮吸附剂。首先,该工作采用第一性原理计算系统地筛选了19种M-HKUST-1（M=Be、Fe、Ni、Cr、Co、Cu、V、Zn、Mo、Mn、W、Sn、Ti、Cd、Mg、Sc、Ca、Sr和Ba）材料上的气体含氮化合物（NO、NO₂和NH₃）吸附性能。研究发现,M-HKUST-1的四个变体（M=Ni、Co、V和Sc）对三种气体含氮化合物（NO、NO₂和NH₃）的吸附均比本体材料Cu-HKUST-1更强。另外,Ti-HKUST-1、Sc-HKUST-1和Be-HKUST-1在筛选的M-HKUST-1系列材料中分别对NO、NO₂和NH₃的吸附最强。除了NO₂在V-HKUST-1上发生解离外,在热力学上,NO、NO₂和NH₃分子在M-HKUST-1上相比于解离吸附更趋向于分子吸附。随后的势垒计算表明,由于分解势垒较大(约458 k J mol^-1),故从动力学角度,吸附分子较难在Cu-HKUST-1上发生解离。接下来,通过电子性质分析解释了吸附分子和M-HKUST-1之间的成键本质。随后,为研究官能团对吸附性能的影响,该工作研究了官能团化HKUST-1-X（X=-H、-CH₃、-OCH₃、-NH₂、-NO₂和-Br）上NO、NO₂、NH₃、C₅H₅N、C₄H₅N和C₄H₄O的吸附性能。体相几何优化表明,部分官能团的引入改变了HKUST-1-X的最优几何结构。与本体HKUST-1的tbo拓扑结构不同,当通过取代配体苯环上的H以引入-CH₃和-OCH₃官能团时,HKUST-1-X（X=-CH₃和-OCH₃）的最稳定体相结构为fmj拓扑结构,而-NH₂、-NO₂和-Br官能团化的HKUST-1-X最优体相拓扑结构与本体相同,均为tbo拓扑结构。此外,研究发现官能团的引入对HKUST-1的吸附性能将产生影响。对于上述所有吸附物,HKUST-1-X具有相对一致的吸附能顺序:HKUST-1-CH₃≥HKUST-1-OCH₃>HKUST-1>HKUST-1-NO₂>HKUST-1-Br≥HKUST-1-NH₂,即-CH₃和-OCH₃增强了HKUST-1的吸附性能,-NH₂、-NO₂和-Br抑制了HKUST-1对相应吸附分子的吸附。可以看出,HKUST-1-X的吸附性能与其体相拓补结构具有对应的关系。此外,研究发现虽然官能团的引入提供了更多的吸附位点,但是不饱和金属中心仍然是最稳定的吸附位点之一。最后,为了从庞大的金属有机骨架晶体数据库快速筛选出潜在MOFs吸附剂,本部分工作通过机器学习以最小的非极性分子H₂分子做为研究对象找出H₂在MOFs中吸附的吸附量描述符公式以验证机器学习方法在该领域应用的可行性。本部分研究工作使用SISSO方法对252种MOFs的H₂吸附量数据进行运算,在大约8×10⁸个描述符公式中筛选出最优的H₂吸附量描述符公式。由该描述符公式计算所得的H₂吸附量Q_SISSIO与矩正则蒙特卡洛GCMC计算所得的H₂吸附量Q_GCMC的线性关系因子R²=0.93,表明该方法可行。从得到的描述符方程中可以看出,孔体积是吸附量最优描述符公式中一个非常重要的参数,密度、限孔直径、空隙率等三个多孔材料的宏观特征也出现在公式中,除此之外,最优描述符公式还包含了金属中心的离子半径和离子势。该方法可有效节省计算量。该研究结果为调整金属有机骨架材料的局域结构、提高金属有机骨架材料脱氮性能、发展新型吸附脱氮材料提供理论依据。