Em um estudo publicado na revista Frontiers of Environmental Science &Engineering , pesquisadores da Universidade de Sichuan revelaram insights significativos sobre as relações estrutura-desempenho de estruturas metal-orgânicas (MOFs). O estudo deles não apenas esclarece as complexidades envolvidas nas capacidades de absorção de iodo dos MOFs, mas também enfatiza a necessidade de uma análise abrangente e multifacetada.

Neste estudo abrangente, os pesquisadores empregaram simulação molecular em grande escala e aprendizado de máquina (ML) para identificar os MOFs mais eficazes para a captura de iodo gasoso. Utilizando uma grande simulação canônica de Monte Carlo em um banco de dados de 8.862 MOFs, a equipe foi capaz de prever os valores de absorção de iodo e identificar os 10 principais MOFs, visualizando seus locais de adsorção específicos.

Empregando ainda mais o ML, eles estabeleceram relações vitais entre estrutura e propriedade, vinculando as características estruturais e químicas dos MOFs à sua eficiência de captura de iodo. Este estudo não apenas revelou insights importantes sobre as relações estrutura-desempenho dos MOFs, demonstrando uma forte correlação entre certas características geométricas, como grande tamanho de cavidade e área de superfície e maior absorção de iodo, mas também destacou a necessidade de análise multifatorial. Esta abordagem foi crucial para a compreensão de que nenhuma característica única poderia prever exclusivamente a capacidade de absorção de iodo de um MOF, marcando um avanço significativo no campo do design de materiais ambientais.

Esta pesquisa estabelece uma estrutura abrangente para a criação de adsorventes MOF avançados, melhorando a captura e recuperação de iodo radioativo e riscos ambientais voláteis semelhantes. Apresenta um avanço significativo na melhoria do reprocessamento e gestão do combustível nuclear, contribuindo substancialmente para a radioquímica e a busca pela energia nuclear sustentável.

Mais informações: Min Cheng et al, Uma triagem em larga escala de estruturas metal-orgânicas para captura de iodo combinando simulação molecular e aprendizado de máquina, Frontiers of Environmental Science &Engineering (2023). DOI:10.1007/s11783-023-1748-3
Fornecido pela Academia Chinesa de Ciências