Dans une étude publiée dans la revue Frontiers of Environmental Science &Engineering , des chercheurs de l'Université du Sichuan ont dévoilé des informations significatives sur les relations structure-performance des structures métal-organiques (MOF). Leur étude met non seulement en lumière les complexités impliquées dans les capacités d'absorption de l'iode des MOF, mais souligne également la nécessité d'une analyse complète et multiforme.
Dans cette étude approfondie, les chercheurs ont eu recours à la simulation moléculaire et à l’apprentissage automatique (ML) à grande échelle pour identifier les MOF les plus efficaces pour capturer l’iode gazeux. En utilisant une simulation Monte Carlo grand canonique sur une base de données de 8 862 MOF, l'équipe a pu prédire les valeurs d'absorption d'iode et identifier les 10 principaux MOF, en visualisant leurs sites d'adsorption spécifiques.
En utilisant davantage le ML, ils ont établi des relations structure-propriété vitales, reliant les caractéristiques structurelles et chimiques des MOF à leur efficacité de capture de l'iode. Cette étude a non seulement révélé des informations clés sur les relations structure-performance des MOF, démontrant une forte corrélation entre certaines caractéristiques géométriques telles que la grande taille de la cavité et la grande surface et l'absorption accrue de l'iode, mais a également souligné la nécessité d'une analyse multifactorielle. Cette approche s'est avérée cruciale pour comprendre qu'aucune caractéristique ne pouvait à elle seule prédire la capacité d'absorption d'iode d'un MOF, marquant ainsi une avancée significative dans le domaine de la conception de matériaux environnementaux.
Cette recherche établit un cadre complet pour la création d’adsorbants MOF avancés, améliorant la capture et la récupération de l’iode radioactif et des risques environnementaux volatils similaires. Il représente une avancée significative dans l'amélioration du retraitement et de la gestion du combustible nucléaire, contribuant de manière substantielle à la radiochimie et à la recherche d'une énergie nucléaire durable.
Plus d'informations : Min Cheng et al, Un criblage à grande échelle de cadres métallo-organiques pour la capture de l'iode combinant simulation moléculaire et apprentissage automatique, Frontiers of Environmental Science &Engineering (2023). DOI :10.1007/s11783-023-1748-3
Fourni par l'Académie chinoise des sciences
