بررسی عملکرد شبکه عصبی باریک برای پیش‌بینی ظرفیت جذب گاز زنون در چارچوب‌های آلی-فلزی

چارچوب‌های آلی-فلزی به‌عنوان مواد پیشرفته متخلخل، کاربرد گسترده‌ای در جذب و جداسازی گازها دارند. در این مطالعه، از یک شبکه عصبی باریک برای پیش‌بینی ظرفیت جذب زنون در چارچو‌های آلی - فلزی فرضی استفاده شده است. مدل توسعه‌یافته با استفاده از شش ویژگی ساختاری شامل کسر حفره، مساحت سطح جرمی و حجمی ، قطر محدودکننده حفره، بزرگ‌ترین قطر حفره، نسبت بزرگ‌ترین قطر حفره به قطر محدودکننده حفره و فشار آموزش داده شد. تحلیل داده‌ها نشان داد که می‌توان دقت مدل با (0.8=r^2) و مقادیر کم rmse (0.96) و mae (0.66) بهترین عملکرد را ارائه دهند. برای صحه‌سنجی مدل، mof نوع hkust-1 سنتز و ارزیابی شد. تحلیل‌های xrd  و sem ، ساختار بلوری مکعبی و ریخت شناسی منظم آن را تایید کردند. ظرفیت جذب زنون hkust-1 در شرایطc ° 25 و فشار (1) bar  برابر با (1.91) mol/kg اندازه‌گیری شد که با مقدار پیش‌بینی‌شده مدل  (1.53) mol/kg  همخوانی داشت.

evaluation of a narrow neural network for predicting xenon adsorption capacity in metal-organic frameworks

metal–organic frameworks, as advanced porous materials, have wide applications in gas adsorption and separation. in this study, a narrow neural network was utilized to predict the xenon adsorption capacity in hypothetical mofs. the developed model was trained using six structural features, including void fraction, gravimetric and volumetric surface area, pore limiting diameter, largest cavity diameter, and pressure. data analysis indicated that the model provided optimal performance with an r² value of 0.80 and low rmse (0.96) and mae (0.66) values. to validate the model, a hkust-1 type mof was synthesized and evaluated. xrd and sem analyses confirmed its cubic crystalline structure and uniform morphology. the xenon adsorption capacity of hkust-1 was measured at 25 °c and 1 bar, yielding 1.91 mol/kg, which was in agreement with the model’s prediction of 1.53 mol/kg.