Материаловедение

Прогноз свойств MOF

Модели оценивают свойства пористых материалов MOF по параметрам синтеза. Предварительный прогноз помогает выбирать, какие лабораторные эксперименты проводить в первую очередь.

Вместе с химиком исследовал связь параметров синтеза со свойствами материалов. В 2026 году построил и проверил модели девяти характеристик.

До синтезапредварительная оценка свойств будущего материала

Как проверяли модели

2022–2023 · развитие моделей в 2026Исследование

Исследование 2022–2023 годов выполнялось совместно с химиком. В 2026 году по сохранившимся данным построены новые модели и проведена отдельная проверка качества.

Задача

Проверка рецептуры требует физического синтеза и измерений, которые расходуют время лаборатории и реагенты.

Решение

Модели используют результаты прошлых опытов для предварительной оценки свойств. Исследователь получает ориентир при выборе следующего эксперимента.

Практическая польза

Использовать прошлые опыты

Связать параметры синтеза с уже измеренными свойствами материалов.

Сравнить варианты

Оценить ожидаемые свойства перед лабораторной проверкой.

Выбрать следующий опыт

Учесть прогноз и его ограничения при расстановке приоритетов.

Результат

Модели 2026 года прогнозируют девять свойств с ошибкой на 23–75% ниже базовой оценки.
Проверка проведена с разделением групп рецептур, чтобы одинаковые составы не попадали одновременно в обучение и оценку.

Подробности

Как устроено

Технологии

Python
XLSX
pandas
scikit-learn
Extra Trees
Vanilla JavaScript
SVG

Последовательность обработки

параметры синтеза новой рецептуры
обученные модели Extra Trees
прогноз девяти свойств
сравнение вариантов исследователем
лабораторный эксперимент

Данные и проверка

Данные

318 экспериментальных записей
22 поля: параметры синтеза, условие регенерации и 9 целевых характеристик
197 групп рецептур

Результаты проверки

Модели 2026 года снизили MAE относительно медианного ориентира для всех девяти характеристик на 23,1–75,4%.
Для удельной поверхности SБЭТ средняя абсолютная ошибка составила 262,9 м²/г против 362,4 м²/г у ориентира; R² = 0,337.

Критерии качества

средняя абсолютная ошибка (MAE) относительно прогноза медианой обучающей выборки
R² на рецептурах, не использованных в обучении
устойчивость качества при пяти разбиениях данных
отсутствие одинаковых рецептур в обучении и проверке

Ограничения

Набор мал и неоднороден; часть характеристик связана расчётными формулами.
Перекрёстная проверка с разделением рецептур не заменяет независимую внешнюю выборку.