金属有机框架(Metal-Organic Framework),简称MOF,是由有机配体和金属离子或团簇通过配位键自组装形成的具有分子内孔隙的有机-无机杂化材料。通过将特定气体分子捕捉在MOFs孔隙中,特定结构的MOFs可以对特定的气体具有吸附作用。甲烷CH4就是MOFs研究中的一种目标气体。各种有机配体和金属离子在不同拓扑结构下的可能组合结果是几乎无限数量的潜在MOFs。当寻找对CH4最佳的吸附材料时,需要通过研究和计算MOFs的物理、化学特性,对其针对CH4吸附性能进行筛选。然而,由于MOFs的配体组合结构具有非常大的随机性,通过分子模拟方法在MOFs空间中高效地寻找对吸附甲烷气体的高性能MOFs是几乎不可能的。使用机器学习方法可以构建多个物理、化学特征与气体吸附性能之间的非线性关系,从而找到MOFs中对气体吸附性能影响较高的物理、化学特征,进而较好地预测MOFs对指定气体的吸附性能。但是MOFs的各种物理、化学特征需要通过大量的模拟分析计算得到,工作量巨大,而且采用机器学习方法往往依赖于选择的物理化学特征,导致得到的预测模型不具有一定的通用性。CIF文件是一种描述了新标准晶体学的信息文件,其详细记录了MOFs晶胞中每个原子的种类和三维坐标信息。这种三维结构信息,实际上蕴含了 MOFs本身的各种物理化学性质,因此本文考虑使用深度学习技术,挖掘三维结构信息与气体吸附性能之间的端到端的构效关系。使用CIF文件作为特征输入不仅不需要进行模拟分析计算,还使得基于标准的CIF格式文件设计的预测模型也具有一定的通用性。在本文的工作中,首次将深度卷积神经网络应用于MOFs对CH4气体的吸附值预测研究。本文首先将数据集按照吸附值高低划分区间得到数据所属类别,通过训练得到分类器模型;并使用每个吸附值区间的数据分别训练得到每个区间对应的回归器模型。其中分类器与回归器均以ResNet网络中的残差块为基础结构进行设计。最终将分类器与回归器结合得到最终的预测模型。本文同时将得到的分类器、回归器与传统机器学习中的分类器、回归器做了对比实验。实验结果表明,本文提出的预测模型方法预测的MOFs对甲烷气体的吸附值与真实值的误差为23.6 cm3·g-1,平均绝对误差百分比MAPE为15%,并且在分类器与回归器对比实验中证明了使用卷积神经网络设计的分类器与回归器要优于传统机器学习方法。