CN110335644A - 联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法 - Google Patents
联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法 Download PDFInfo
- Publication number
- CN110335644A CN110335644A CN201910509849.4A CN201910509849A CN110335644A CN 110335644 A CN110335644 A CN 110335644A CN 201910509849 A CN201910509849 A CN 201910509849A CN 110335644 A CN110335644 A CN 110335644A
- Authority
- CN
- China
- Prior art keywords
- adsorbent material
- gasoline
- python
- music
- programming language
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
Landscapes
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Solid-Sorbent Or Filter-Aiding Compositions (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明公开了一种联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法，该方法包括以下步骤：步骤1、通过Python编程语言构建汽油深度脱硫的吸附材料模型，并生成MuSiC软件可读的格式文件；步骤2、设置不同的温度和压力，作为不同的吸附条件；将各个吸附条件的参数通过Python编程语言批量生成模拟文件并提交给MuSiC软件执行；步骤3、输入吸附材料模型和吸附条件的模拟文件，通过MuSiC软件批量完成模拟；步骤4、通过Python编程语言批量分析和提取结果文件，得到吸附材料的性能，进而确定用于汽油深度脱硫的吸附材料。本发明的优选方法可同时应用于化工生产中的吸附分离过程的吸附材料筛选，应用范围广。
Description
技术领域
本发明涉及化工过程模拟领域，尤其涉及一种联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法。
背景技术
车用燃料所含的硫元素是主要污染源之一，燃烧后生成SOx导致形成酸雨，造成对环境的污染和对人类健康的损害。为控制汽车尾气排放，我国制定的国六汽油标准已于2019年1月1日全面实行，根据国六标准，汽油中硫含量不得大于10ppm(mg/kg)。目前工业上应用较广的方法是加氢脱硫技术，可以脱除噻吩、硫醇、醇醚等，但选择性加氢不能降低烯烃的含量，且耗能高；深度加氢同样耗能高，且工艺复杂，液体收率低。吸附脱硫有着操作条件较为温和，对环境污染较小等优点。
MuSiC软件是美国西北大学Snurr教授的课题组花费多年时间，经过多篇高档次论文实践的超强多功能计算程序，Multipurpose Simulation Code，简称MuSiC。这是一个可以计算NVTMC，GCMC，MD等多种需求的程序。
Python是一种计算机程序设计语言，是一种动态的、面向对象的脚本语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。自从20世纪90年代初Python诞生至今，它已被逐渐广泛应用于系统管理任务的处理和Web编程。
计算机模拟需要输入大量的模拟参数和需求，这些内容通过写入各种形式的模拟准备文件传递给计算机行进读取。对于高通量筛选，人工手动操作几乎不可能完成，于是编写一套程序快速的生成这些文件是十分必要的。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法，该方法将MuSiC软件和Python编程语言结合起来，从而极大的方便了模拟计算的准备工作以及后期结果分析工作。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法，该方法包括以下步骤：
步骤1、通过Python编程语言构建汽油深度脱硫的吸附材料模型，并生成MuSiC软件可读的格式文件；
步骤2、设置不同的温度和压力，作为不同的吸附条件；将各个吸附条件的参数通过Python编程语言批量生成模拟文件并提交给MuSiC软件执行；
步骤3、输入吸附材料模型和吸附条件的模拟文件，通过MuSiC软件批量完成模拟；
步骤4、通过Python编程语言批量分析和提取结果文件，得到吸附材料的性能，进而确定用于汽油深度脱硫的吸附材料。
进一步地，本发明的步骤1的具体方法为：
步骤1.1、从孔径控制、极性官能团、开放金属位点和碱金属阳离子四个方面设计材料的结构，通过Python编程语言设计并构建吸附材料的模型；
步骤1.2、通过Python编程语言将材料的cif、pdb、xyz格式文件转化为MuSiC软件可读的mol格式文件，并采用EQeq算法进行材料原子的部分电荷分配。
进一步地，本发明的步骤2的具体方法为：
在模拟材料吸附纯组分硫化物时，设定不同的温度和压力以获得材料在不同吸附条件下的吸附能力；在模拟材料分离含硫混合物时，采用变压吸附和变温吸附两种方法以获得材料在不同条件下的工艺条件；通过Python编程语言批量生成模拟文件，包括制作每个材料pmap、emap和gcmc模拟的过程，并提交给MuSiC软件执行。
进一步地，本发明的步骤3的具体方法为：
通过MuSiC软件采用GCMC模拟来获得吸附材料的脱硫性能，选择汽油组分、吸附材料、压力和温度作为输入变量，选择表征材料吸附分离性能的参数作为输出变量，通过MuSiC软件批量完成模拟。
进一步地，本发明的步骤4中吸附材料的性能包括物理化学性质和工艺条件；物理化学性质包括：吸附量、选择性；工艺条件包括：PSA工作能力、TSA工作能力、再生性、选择参数。
本发明产生的有益效果是：本发明的联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法，克服了MuSiC软件在编写模拟文件时存在大量类似的参数和需求的缺点，充分将Python编程语言编写程序的便捷性与MuSiC软件模拟计算的准确性结合起来，从而可以快速、精确地模拟用于汽油深度脱硫的吸附材料智能优选方法。此外，本发明的优选方法可同时应用于化工生产中的吸附分离过程的吸附材料筛选，应用范围广。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明的方法流程图；
图2为本发明中模型构建的原理框图；
图3为本发明中MuSiC软件执行的原理框图；
图4为本发明中通过MuSiC软件批量完成模拟的原理框图；
图5为本发明中通过Python编程语言批量分析和提取结果文件的原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法，该方法包括以下步骤：
步骤1、通过Python编程语言构建汽油深度脱硫的吸附材料模型，并生成MuSiC软件可读的格式文件；
步骤2、设置不同的温度和压力，作为不同的吸附条件；将各个吸附条件的参数通过Python编程语言批量生成模拟文件并提交给MuSiC软件执行；
步骤3、输入吸附材料模型和吸附条件的模拟文件，通过MuSiC软件批量完成模拟；
MuSiC程序作计算时，需要一个个不同类型的文件为编译好的可执行文件提供数据，以GCMC计算为例，进行一次完整模拟需要以下信息：1.原子信息，包括原子名、原子量、原子与原子间LJ交叉势能参数等信息；2.分子信息，包括分子内各原子坐标、各原子电荷、分子与分子间相互作用和分子内相互作用等信息；3.控制信息，包括模拟步长、力场、逸度、温度、随机尝试移动类型、统计模块大小、构型、环境控制变量等信息。
步骤4、通过Python编程语言批量分析和提取结果文件，得到吸附材料的性能，进而确定用于汽油深度脱硫的吸附材料。
按照以上步骤建立的用于汽油深度脱硫的吸附材料智能优选方法的仿真系统包含三个层次，其原理如图1所示。底层是材料的模型；顶层是材料的吸附分离性能；二者通过MuSiC软件和Python编程语言进行连接。
通过Python编程语言设计、构建吸附材料的晶体模型，并生成MuSiC软件可读的格式文件包含以下步骤：
步骤1.1、从孔径控制、极性官能团、开放金属位点和碱金属阳离子四个方面设计材料的结构，通过Python编程语言设计并构建吸附材料的模型；
步骤1.2、通过Python编程语言将材料的cif、pdb、xyz等格式文件转化为MuSiC软件可读的mol格式文件，并采用EQeq算法进行材料原子的部分电荷分配。
汽油的成分较为复杂，主要为C5～C12脂肪烃和环烷烃类，以及一定量芳香烃。其中硫在汽油中的存在形态有元素硫、硫化氢等无机硫化物以及硫醇、硫醚、二硫化物、噻吩等有机硫化物。通过吸附法脱硫的关键在于选择适合的材料作为吸附剂，常用的吸附剂有分子筛、金属氧化物、沸石、金属有机框架材料等。在本实例中，主要从孔径控制、极性官能团、开放金属位点和碱金属阳离子四个方面设计材料的结构，通过Python编程语言批量构建吸附材料的模型，并将材料的cif、pdb、xyz等格式文件转化为MuSiC软件可读的mol格式文件，采用EQeq算法进行材料原子的部分电荷分配，如图2所示。
图3所示的是根据吸附条件，通过Python编程语言批量生成模拟文件并提交给MuSiC软件执行。
为了更贴近化工生产过程，在模拟材料吸附纯组分硫化物时，需要设定不同的温度和压力以获得材料在不同吸附条件下的吸附能力。在模拟材料分离含硫混合物时，采用PSA(变压吸附)和TSA(变温吸附)两种方法以获得材料在不同条件下的工艺条件。由于MuSiC软件在编写模拟文件时存在大量类似的参数和需求。因此，本实例中通过Python编程语言批量生成模拟文件，包括制作每个材料pmap、emap和gcmc模拟的过程，并提交给MuSiC软件执行，大大减少了人工操作时间。
Pmap：预先获得原子与原子间LJ交互势能参数的信息，缩短计算时间。
Emap：预先获得原子与原子间库仑作用力的信息，缩短计算时间。
GCMC模拟：巨正则系综蒙特卡洛模拟，得到材料在对应条件的吸附量。
图4是本实例中通过MuSiC软件批量完成模拟。
在化工生产中，一般通过穿透实验来获得材料的吸附分离性能。对于复杂的汽油组分和成千上万的材料，想要通过人工做实验的方法来选择最佳的吸附剂是不可能的。因此，通过MuSiC软件采用GCMC模拟来获得吸附材料的脱硫性能，既保证准确性又能大幅度节约人力物力。本实例中，选择汽油组分、吸附材料、压力和温度作为输入变量，选择能表征材料吸附分离性能的吸附量、选择性、PSA工作能力、TSA工作能力、再生性和选择参数作为输出变量，输入输出变量的选择如图4所示。
图5是本实例中通过Python编程语言批量分析和提取结果文件，得到吸附材料的吸附量、选择性、选择参数等性能。
当所有的模拟计算都完成后，需要提取出有用的模拟信息。对于大规模的材料筛选，人工提取模拟信息难免会显得乏力。因此，本实例中通过Python编程语言根据参数设定自动搜索并统计吸附量、作用势能，极大的方便了在进行高通量计算模拟筛选过程中所消耗的人工操作和复杂度。通过分析结果文件，得到材料的吸附量和选择性等物理化学性质以及PSA工作能力、TSA工作能力、再生性和选择参数等工艺条件，最终获得可用于汽油深度脱硫的吸附材料，并总结归纳出其结构的共同特征，为化工生产提供一定的指导意义。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法，其特征在于，该方法包括以下步骤：
步骤1、通过Python编程语言构建汽油深度脱硫的吸附材料模型，并生成MuSiC软件可读的格式文件；
步骤2、设置不同的温度和压力，作为不同的吸附条件；将各个吸附条件的参数通过Python编程语言批量生成模拟文件并提交给MuSiC软件执行；
步骤3、输入吸附材料模型和吸附条件的模拟文件，通过MuSiC软件批量完成模拟；
步骤4、通过Python编程语言批量分析和提取结果文件，得到吸附材料的性能，进而确定用于汽油深度脱硫的吸附材料。
2.根据权利要求1所述的联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法，其特征在于，步骤1的具体方法为：
步骤1.1、从孔径控制、极性官能团、开放金属位点和碱金属阳离子四个方面设计材料的结构，通过Python编程语言设计并构建吸附材料的模型；
步骤1.2、通过Python编程语言将材料的cif、pdb、xyz格式文件转化为MuSiC软件可读的mol格式文件，并采用EQeq算法进行材料原子的部分电荷分配。
3.根据权利要求1所述的联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法，其特征在于，步骤2的具体方法为：
在模拟材料吸附纯组分硫化物时，设定不同的温度和压力以获得材料在不同吸附条件下的吸附能力；在模拟材料分离含硫混合物时，采用变压吸附和变温吸附两种方法以获得材料在不同条件下的工艺条件；通过Python编程语言批量生成模拟文件，包括制作每个材料pmap、emap和gcmc模拟的过程，并提交给MuSiC软件执行。
4.根据权利要求1所述的联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法，其特征在于，步骤3的具体方法为：
通过MuSiC软件采用GCMC模拟来获得吸附材料的脱硫性能，选择汽油组分、吸附材料、压力和温度作为输入变量，选择表征材料吸附分离性能的参数作为输出变量，通过MuSiC软件批量完成模拟。
5.根据权利要求1所述的联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法，其特征在于，步骤4中吸附材料的性能包括物理化学性质和工艺条件；物理化学性质包括：吸附量、选择性；工艺条件包括：PSA工作能力、TSA工作能力、再生性、选择参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910509849.4A CN110335644B (zh) | 2019-06-13 | 2019-06-13 | 联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910509849.4A CN110335644B (zh) | 2019-06-13 | 2019-06-13 | 联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110335644A true CN110335644A (zh) | 2019-10-15 |
| CN110335644B CN110335644B (zh) | 2022-12-06 |
Family
ID=68140604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910509849.4A Active CN110335644B (zh) | 2019-06-13 | 2019-06-13 | 联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110335644B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423394A (zh) * | 2023-10-19 | 2024-01-19 | 中北大学 | 基于Python提取产物、团簇和化学键信息的ReaxFF后处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899356A (zh) * | 2015-05-12 | 2015-09-09 | 中国石油大学(华东) | 一种定量分析金属卟啉MOFs材料CO2/CH4分离效率的方法 |
| CN105964219A (zh) * | 2016-05-11 | 2016-09-28 | 上海应用技术学院 | 一种用于活性炭吸附燃油中硫化合物的优化方法 |
| CN106681726A (zh) * | 2016-12-30 | 2017-05-17 | 苏州同元软控信息技术有限公司 | Python模型转换为Modelica模型的方法 |
| CN107918720A (zh) * | 2017-11-16 | 2018-04-17 | 中国石油大学(华东) | 定量分析分子筛中正戊烷/异戊烷分离的力场参数的方法 |
-
2019
- 2019-06-13 CN CN201910509849.4A patent/CN110335644B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899356A (zh) * | 2015-05-12 | 2015-09-09 | 中国石油大学(华东) | 一种定量分析金属卟啉MOFs材料CO2/CH4分离效率的方法 |
| CN105964219A (zh) * | 2016-05-11 | 2016-09-28 | 上海应用技术学院 | 一种用于活性炭吸附燃油中硫化合物的优化方法 |
| CN106681726A (zh) * | 2016-12-30 | 2017-05-17 | 苏州同元软控信息技术有限公司 | Python模型转换为Modelica模型的方法 |
| CN107918720A (zh) * | 2017-11-16 | 2018-04-17 | 中国石油大学(华东) | 定量分析分子筛中正戊烷/异戊烷分离的力场参数的方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423394A (zh) * | 2023-10-19 | 2024-01-19 | 中北大学 | 基于Python提取产物、团簇和化学键信息的ReaxFF后处理方法 |
| CN117423394B (zh) * | 2023-10-19 | 2024-05-03 | 中北大学 | 基于Python提取产物、团簇和化学键信息的ReaxFF后处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110335644B (zh) | 2022-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Séférian et al. | Tracking improvement in simulated marine biogeochemistry between CMIP5 and CMIP6 | |
| Wu et al. | Connecting biochemical photosynthesis models with crop models to support crop improvement | |
| Kang et al. | Observing technology reserves of carbon capture and storage via patent data: Paving the way for carbon neutral | |
| Agarwal et al. | Superstructure-based optimal synthesis of pressure swing adsorption cycles for precombustion CO2 capture | |
| CN104778329B (zh) | 一种分析co2/ch4在褐煤中吸附机理的方法 | |
| Choudhary et al. | Graph neural network predictions of metal organic framework CO2 adsorption properties | |
| CN105938454A (zh) | 一种测试用例的生成方法及系统 | |
| CN110335644A (zh) | 联合MuSiC和Python用于汽油深度脱硫的吸附材料的智能优选方法 | |
| CN104484162B (zh) | 一种软件测试用例设计编写方法 | |
| CN113223630A (zh) | 化工装置工艺流程模拟仿真方法、电子装置和可存储介质 | |
| CN104866660A (zh) | 一种预测MgO纳米团簇表面气态沉积过渡金属Au、Pt吸附CO分子吸附性质的方法 | |
| Deb et al. | ChatGPT in the Material Design: Selected Case Studies to Assess the Potential of ChatGPT | |
| CN105786787A (zh) | 基于Java的高效PDF报表测试方法 | |
| CN108038307A (zh) | 一种模拟脱硫剂在铁水中运动轨迹方法 | |
| CN105787601A (zh) | 模拟、预测页岩吸附天然气兰氏体积和兰氏压力的方法 | |
| Sun et al. | Historical emission and reduction of VOCs from the petroleum refining industry and their potential for secondary pollution formation in Guangdong, China | |
| Lei et al. | Emerging Directions for Carbon Capture Technologies: A Synergy of High-Throughput Theoretical Calculations and Machine Learning | |
| Bulatewicz et al. | The potential coupling interface: Metadata for model coupling | |
| Sebastia-Saez | The contribution of computational science to the circular carbon economy | |
| Tripodi et al. | Model validation and simulation issues for carbon dioxide reactive absorption with mixed amines | |
| CN105701340B (zh) | 预测气态含硫化合物常温下在活性炭上的吸附速率常数的方法 | |
| Ga et al. | Economic analysis with multiscale high-throughput screening for covalent organic framework adsorbents in ammonia-based green hydrogen separation | |
| Dooley et al. | Modeling carbon capture and storage technologies in energy and economic models | |
| Alhameli et al. | Surrogate-based process optimization: A case study on simple natural gas processing plant | |
| sen Wei et al. | What do we know about research on carbon capture, utilization and storage (CCUS) in China and the United States? Insights from the systematic review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |