【JACS】华中师范大学涂斌斌/郭彦炳&武汉科技大学庞青青团队：机器学习导向孔道工程：MOFs实现超高体积甲烷存储

在全球能源低碳转型背景下，甲烷作为一种清洁高效能源，其车载存储效率差和安全性不足是关键瓶颈。吸附式天然气（ANG）技术为温和条件下实现甲烷高密度存储提供了可能，而高性能多孔吸附材料是核心。本研究旨在突破传统MOFs研发依赖经验试错、效率低下的局限，通过机器学习驱动的孔道工程策略，实现超高体积甲烷存储MOFs的理性设计。研究团队基于海量模拟数据训练高精度预测模型（R²=0.96），系统阐明了孔隙率、孔体积和骨架密度之间的非单调协同调控规律，精准锁定了最优参数区间。通过机器学习从庞大结构库中筛选出UMCM-4、MUF-8、MOF-5三种候选材料，并指导其配体官能化改性。最终获得的MUF-8-CH₃和MUF-8-C₄H₄材料，其甲烷体积工作容量达到237 cm³(STP)cm⁻³，刷新了所有MOFs材料纪录。实验证实这些材料具有优异的循环稳定性和微观作用机制。该研究建立了机器学习与孔道工程一体化的材料开发范式，为车载天然气存储提供了最优材料方案，并可推广至碳捕获、氢能存储等领域，助力清洁能源材料智能化研发。