机器学习辅助解析共价有机框架材料吸附铀酰的结构-机制关系★

doi:10.6023/A26060214

化学学报 ›› 2026, Vol. 84 ›› Issue (9): 1418-1427.DOI: 10.6023/A26060214 上一篇下一篇

研究论文

机器学习辅助解析共价有机框架材料吸附铀酰的结构-机制关系^★

孙士博^a, 王胜^a, 王翰洋^a, 蓝晨栝^a, 马静^a, 王其召^b, 孙振丽^a^,^*(), 王祥科^a^,^*()

^a 华北电力大学环境科学与工程学院北京 102206
^b 西北师范大学化学化工学院兰州 730070

投稿日期:2026-06-20 发布日期:2026-09-05
通讯作者: 孙振丽, 王祥科
作者简介:
^★“纪念兰州大学化学学科创建80周年”专辑.
基金资助:
国家自然科学基金(U24B20195); 中央高校业务费(2026SL008)

Machine Learning-Assisted Elucidation of the Adsorption Structure-Mechanism Relationship of Uranyl on Covalent Organic Frameworks^★

Shibo Sun^a, Sheng Wang^a, Hanyang Wang^a, Chenkuo Lan^a, Jing Ma^a, Qizhao Wang^b, Zhenli Sun^a^,^*(), Xiangke Wang^a^,^*()

^a College of Environmental Science and Engineering, North China Electric Power University, Beijing 102206
^b College of Chemistry and Chemical Engineering, Northwest Normal University, Lanzhou 730070

Received:2026-06-20 Published:2026-09-05
Contact: Zhenli Sun, Xiangke Wang
About author:
^★For the VSI “Celebration of 80th Anniversary of Chemistry in Lanzhou University”.
Supported by:
The National Natural Science Foundation of China(U24B20195); The Fundamental Research Funds for the Central Universities(2026SL008)

文章分享

1. Supporting information-A26060214.pdf(433KB)

摘要/Abstract

共价有机框架(COFs)因其结构可设计、孔道有序和官能团可调等特点, 在铀酰离子($\mathrm{UO}_{2}^{2+}$)吸附与分离中展现出重要应用潜力. 现有研究多集中于单一材料的性能提升, 对COFs结构特征与铀酰吸附机制之间的关联规律仍缺乏系统认识. 本研究基于文献数据构建了包含105组有效样本的COFs-铀酰吸附数据集, 将文献报道的吸附机制归纳为配位作用、氧化还原作用、配位-氧化还原耦合作用、配位-静电耦合作用和弱相互作用五类, 并结合统计分析、机器学习分类和SHapley Additive exPlanations (SHAP)可解释性分析, 系统考察了COFs结构参数与铀酰吸附机制之间的关联. 结果显示, 配位相关作用是COFs吸附铀酰的主导路径, 占比超过80%, 表明含N, O配位位点及孔道可接近性是影响铀酰富集的关键因素. SHAP分析进一步表明, 带隙、孔径和比表面积是模型进行机制判别时贡献最高的变量, 其中低带隙样本更倾向于对应氧化还原相关机制, 适中孔径和较高比表面积与铀酰离子的孔道可达性及配位位点暴露程度密切相关, 而骨架有序性可能通过影响孔道连通性和界面电荷分布, 参与静电辅助富集过程. 此工作从数据驱动角度揭示了COFs结构特征与铀酰吸附机制之间的关联规律, 为COFs铀酰吸附材料的机制识别和理性设计提供了参考.

关键词: 机器学习, 共价有机框架, 铀酰离子, 吸附材料

Covalent organic frameworks (COFs) have shown significant potential in the adsorption and separation of uranyl ions ($\mathrm{UO}_{2}^{2+}$) due to their structural designability, ordered pore architectures, and tunable functional groups. However, existing research has largely focused on improving the performance of individual materials, while a systematic understanding of the relationship between COFs structural features and uranyl adsorption mechanisms remains limited. In this study, we constructed a COFs-uranyl adsorption dataset comprising 105 valid samples based on literature data. We standardized the adsorption mechanisms reported in the literature into five types: coordination, redox, coordination-redox coupling, coordination-electrostatic coupling, and weak interactions. By integrating statistical analysis, machine learning classification, and SHapley Additive exPlanations (SHAP) analysis, we systematically investigated the associations between COFs structural parameters and uranyl adsorption mechanisms. The results showed that coordination-related interactions were dominant in uranyl adsorption by COFs, accounting for over 80% of the samples, indicating the importance of nitrogen- and oxygen-containing coordination sites and pore accessibility in uranyl enrichment. SHAP analysis further showed that bandgap, pore size, and specific surface area made substantial contributions to model-based mechanism classification. Samples with lower band gaps were more likely to be classified as involving redox-related mechanisms, while moderate pore sizes and higher specific surface areas were closely associated with pore accessibility and the exposure of coordination sites. Framework ordering may also contribute to electrostatically assisted enrichment by affecting pore connectivity and interfacial charge distribution. This work reveals data-driven associations between COFs structural features and uranyl adsorption mechanisms, providing valuable insights into mechanism identification and the rational design of COFs-based uranyl adsorbents.

Key words: machine learning, covalent organic frameworks, uranyl ion, adsorption material

引用此文

孙士博, 王胜, 王翰洋, 蓝晨栝, 马静, 王其召, 孙振丽, 王祥科. 机器学习辅助解析共价有机框架材料吸附铀酰的结构-机制关系^★[J]. 化学学报, 2026, 84(9): 1418-1427.

Shibo Sun, Sheng Wang, Hanyang Wang, Chenkuo Lan, Jing Ma, Qizhao Wang, Zhenli Sun, Xiangke Wang. Machine Learning-Assisted Elucidation of the Adsorption Structure-Mechanism Relationship of Uranyl on Covalent Organic Frameworks^★[J]. Acta Chimica Sinica, 2026, 84(9): 1418-1427.

导出引用 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

分享此文

图/表 7

机制类别	原始机制标签	判定依据	典型证据
配位作用	配位、螯合、表面络合、配位键作用	$\mathrm{UO}_{2}^{2+}$与COFs骨架中的N/O/S/P等供电子位点形成稳定结合	傅里叶变换红外光谱法(FTIR)/X射线光电子能谱(XPS)中N, O, S和P等官能团峰位或结合能变化; 扩展X射线吸收精细结构(EXAFS)证实U—O/U—N等配位结构; 密度泛函理论(DFT)显示较强结合能或稳定配位构型; 吸附前后官能团特征变化
氧化还原作用	氧化还原、化学还原、光催化还原、电化学还原	U(VI)发生电子转移, 形成 U(IV)或低价铀物种	XPS出现U(IV)信号; 光催化或电化学还原证据; 光电流、EPR或能带分析等电子转移证据
配位-氧化还原作用	配位-氧化还原、螯合-还原、配位- 化学还原、配位- 光催化还原	$\mathrm{UO}_{2}^{2+}$先通过配位作用实现界面富集, 随后发生电子转移或价态转化	配位证据与U(IV)或低价铀证据同时存在; 或光/电催化还原过程伴随明显官能团络合证据
配位-静电作用	配位-静电、配位- 离子交换、静电- 离子交换-配位	配位结合同时伴随表面电荷吸引、离子交换或pH依赖富集过程	Zeta电位变化; pH依赖吸附行为; 离子竞争实验; 表面电荷分析; FTIR/XPS配位证据
弱相互作用	物理吸附、物理嵌合、氢键、范德华力、π-π作用、非特异性吸附	缺乏明确强配位或价态变化证据, 吸附主要依赖孔结构匹配或弱界面作用	孔结构匹配分析; 氢键、范德华力或π-π作用讨论; 较弱光谱变化; 非特异性吸附现象

机制类别	原始机制标签	判定依据	典型证据
配位作用	配位、螯合、表面络合、配位键作用	$\mathrm{UO}_{2}^{2+}$与COFs骨架中的N/O/S/P等供电子位点形成稳定结合	傅里叶变换红外光谱法(FTIR)/X射线光电子能谱(XPS)中N, O, S和P等官能团峰位或结合能变化; 扩展X射线吸收精细结构(EXAFS)证实U—O/U—N等配位结构; 密度泛函理论(DFT)显示较强结合能或稳定配位构型; 吸附前后官能团特征变化
氧化还原作用	氧化还原、化学还原、光催化还原、电化学还原	U(VI)发生电子转移, 形成 U(IV)或低价铀物种	XPS出现U(IV)信号; 光催化或电化学还原证据; 光电流、EPR或能带分析等电子转移证据
配位-氧化还原作用	配位-氧化还原、螯合-还原、配位- 化学还原、配位- 光催化还原	$\mathrm{UO}_{2}^{2+}$先通过配位作用实现界面富集, 随后发生电子转移或价态转化	配位证据与U(IV)或低价铀证据同时存在; 或光/电催化还原过程伴随明显官能团络合证据
配位-静电作用	配位-静电、配位- 离子交换、静电- 离子交换-配位	配位结合同时伴随表面电荷吸引、离子交换或pH依赖富集过程	Zeta电位变化; pH依赖吸附行为; 离子竞争实验; 表面电荷分析; FTIR/XPS配位证据
弱相互作用	物理吸附、物理嵌合、氢键、范德华力、π-π作用、非特异性吸附	缺乏明确强配位或价态变化证据, 吸附主要依赖孔结构匹配或弱界面作用	孔结构匹配分析; 氢键、范德华力或π-π作用讨论; 较弱光谱变化; 非特异性吸附现象

表1. COFs-铀吸附机制标签归并规则及判定依据a

Table 1. Rules and criteria for labeling and determining the adsorption mechanism of COFs-uranium

表1. COFs-铀吸附机制标签归并规则及判定依据a

Table 1. Rules and criteria for labeling and determining the adsorption mechanism of COFs-uranium

图1. COFs铀酰吸附机制示意图: (a)不同类型占比; (b)配位作用; (c)氧化还原作用

Figure 1. Schematic illustration of uranyl adsorption mechanisms by COFs: (a) distribution of mechanism categories; (b) coordination effect; (c) redox effect

图2. (a)不同吸附机制样本的带隙、(b)比表面积和(c)孔径分布; (d) PCA得分图; (e) t-SNE降维可视化结果; (f)主要结构参数与实验变量的相关性热图

Figure 2. (a) Distributions of bandgap, (b) specific surface area, and (c) pore size among samples assigned to different uranyl adsorption mechanisms; (d) PCA score plot; (e) t-SNE visualization; (f) correlation heatmap of the main structural parameters and experimental variables

图3. 吸附机制分类模型的性能: (a)随机森林模型的混淆矩阵; (b)不同机制类别的Precision、Recall和F1-score

Figure 3. Performance of the adsorption-mechanism classification model: (a) confusion matrix for the random forest model; (b) precision, recall, and F1-score for each mechanism class

图4. 基于SHAP的结构变量贡献与机制关联. (a)全局平均SHAP特征重要性排序; (b)全局SHAP beeswarm分析; (c)配位机制中pore_size的SHAP依赖关系; (d)氧化还原机制中bandgap的SHAP依赖关系

Figure 4. Analysis of the contribution of structural variables and the mechanism-driven relationship based on SHAP. (a) Global average SHAP feature importance ranking; (b) Global SHAP beeswarm analysis; (c) SHAP dependency relationship of pore_size in the coordination mechanism; (d) SHAP dependency relationship of bandgap in the redox mechanism

图5. 不同吸附机制的局部SHAP解释分析. (a)配位机制; (b)氧化还原机制; (c)配位-氧化还原耦合机制; (d)配位-静电耦合机制. 每个waterfall图从基线期望值E[f(x)]出发, 按照变量贡献逐步累加至样本预测输出f(x)

Figure 5. Local SHAP explanations for different adsorption mechanisms. (a) Coordination mechanism; (b) Redox mechanism; (c) Coordination-redox coupled mechanism; (d) Coordination-electrostatic coupled mechanism. Each waterfall plot starts from the baseline expected value E[f(x)], and accumulates variable contributions step by step to the sample prediction output f(x)

类别	参数	单位	缩写	数据范围	样本数
吸附剂结构	比表面积	m²/g	SA	0.80~1713.00	98
	孔径	nm	pore_size	0.40~7.49	68
	孔容	cm³/g	pore_vol	0.02~0.90	33
	带隙	eV	bandgap	1.25~3.58	35
	结晶有序性	—	crystallinity	高/中/低	102
实验条件	初始浓度	mg/L	C₀	0.0033~500.00	105
	pH	—	pH	1.50~9.00	105
	温度	K	T	293.00~318.00	105
	平衡时间	h	eq_time	0.03~288.00	98

表2. COFs-铀吸附数据集中主要结构参数与实验变量统计a

Table 2. Statistics of main structural parameters and experimental variables in the COFs-uranium adsorption dataset

参考文献 26

[1]	Sun Z.; Chen Z.; Wang S.; Tai X.; Wang X. Innovation 2026, 7, 101093.
[2]	Ma J.; Zhang T. Y.; Yu F. Coord. Chem. Rev. 2026, 556, 217641. doi: 10.1016/j.ccr.2026.217641
[3]	Wang N.; Pang H.; Yu S.; Gu P.; Song S.; Wang H.; Wang X. Acta Chim. Sinica 2019, 77, 143 (in Chinese). doi: 10.6023/A18090404
	(王宁, 庞宏伟, 于淑君, 顾鹏程, 宋爽, 王宏青, 王祥科, 化学学报, 2019, 77, 143.) doi: 10.6023/A18090404
[4]	Yang L.; Xiao H.; Qian Y.; Zhao X.; Kong X.-Y.; Liu P.; Xin W.; Fu L.; Jiang L.; Wen L. Nature Sustain. 2022, 5, 71. doi: 10.1038/s41893-021-00792-6
[5]	Geng K.; He T.; Liu R.; Dalapati S.; Tan K. T.; Li Z.; Tao S.; Gong Y.; Jiang Q.; Jiang D. Chem. Rev. 2020, 120, 8814. doi: 10.1021/acs.chemrev.9b00550
[6]	Sun Z. L.; Chen Z. S.; Tai X. S.; Wang X. K. Sci. China Chem. 2025, 68, 3923. doi: 10.1007/s11426-025-2784-1
[7]	Sun Z.; Liao Y.; Zhang Y.; Sun S.; Kan Q.; Wu Z.; Yu L.; Dong Z.; Wang Z.; He R.; Wang L.; Meng Q.; Wang H.; Wang Q.; Mao L.; Pan D.; Wang S.; Zhang Z.; Zhu W.; Liu S.; Wakeel M.; Hu B.; Duan T.; Tai X.; Wang X. Sustain. Carbon Mater. 2025, 1, e007.
[8]	Liu S.; Tao B.; Zuo B.; Zheng K.; Abdelfattah W.; Bao J.; Yan G.; Wang T.; Wang R.; Li Z.; Melhi S.; Alshahrani W. A.; Xu X. Chem. Eng. J. 2024, 500, 156783. doi: 10.1016/j.cej.2024.156783
[9]	Guo L.; Liu Y.; Jia Y.; Huang Z. C.; Gong L.; Xie X.; Luo F. J. Am. Chem. Soc. 2025, 147, 31340. doi: 10.1021/jacs.5c10932
[10]	Niu C.; Zhang C.; Liu X.; Liang R.; Qiu J. Nat. Commun. 2023, 14, 4420. doi: 10.1038/s41467-023-40169-1
[11]	Yang H.; Hao M.; Xie Y.; Liu X.; Liu Y.; Chen Z.; Wang X.; Waterhouse G. I.; Ma S. Angew. Chem. Int. Ed. 2023, 62, e202303129.
[12]	Cui W.; Zhang C.; Xu R.; Chen X.; Jiang W.; Li Y.; Liang R.; Zhang L.; Qiu J. Appl. Catal. B-Environ. 2021, 294, 120250. doi: 10.1016/j.apcatb.2021.120250
[13]	Zhang H. L.; Liu W.; Li A.; Zhang D.; Li X. Y.; Zhai F. W.; Chen L. H.; Chen L.; Wang Y. L.; Wang S. Angew. Chem. Int. Ed. 2019, 58, 16110. doi: 10.1002/anie.v58.45
[14]	Lopez A. M.; Wells A.; Fendorf S. Environ. Sci. Technol. 2021, 55, 352. doi: 10.1021/acs.est.0c05591
[15]	Allen A. E. A.; Tkatchenko A. Sci. Adv. 2022, 8, eabm7185.
[16]	Liu X.; Lu D.; Zhang A.; Liu Q.; Jiang G. Environ. Sci. Technol. 2022, 56, 2124. doi: 10.1021/acs.est.1c06157
[17]	Li J.; Song Q.; Liu Z.; Wang D. Acta Chim. Sinica 2024, 82, 387 (in Chinese). doi: 10.6023/A23100473
	(李珺卿, 宋千禧, 刘子义, 王东琪, 化学学报, 2024, 82, 387.) doi: 10.6023/A23100473
[18]	Sun Z.; Sun S.; Wang S.; Wang H.; Zhang Y.; Huang J.; Fan F.; Yang Y.; Wang X. Sci. China Chem. 2026, 69, 3477. doi: 10.1007/s11426-025-3233-y
[19]	Xie Y.; Wu Y.; Liu X.; Hao M.; Chen Z.; Waterhouse G. I.; Wang X.; Yang H.; Ma S. Cell Rep. Phys. Sci. 2023, 4, 101220.
[20]	Cui W.; Zhang C.; Xu R.; Chen X.; Yan R.; Jiang W.; Liang R.; Qiu J. Small 2021, 17, 2006882. doi: 10.1002/smll.v17.6
[21]	Xu R.; Cui W.; Zhang C.; Chen X.; Jiang W.; Liang R.; Qiu J. Chem. Eng. J. 2021, 419, 129550. doi: 10.1016/j.cej.2021.129550
[22]	Hao M.; Chen Z.; Liu X.; Liu X.; Zhang J.; Yang H.; Waterhouse G. I.; Wang X.; Ma S. CCS Chem. 2022, 4, 2294. doi: 10.31635/ccschem.022.202201897
[23]	Hao M.; Xie Y.; Liu X.; Chen Z.; Yang H.; Waterhouse G. I.; Ma S.; Wang X. JACS Au 2023, 3, 239. doi: 10.1021/jacsau.2c00614
[24]	Zhang J.; Zhou L.; Jia Z.; Li X.; Qi Y.; Yang C.; Guo X.; Chen S.; Long H.; Ma L. Nanoscale 2020, 12, 24044. doi: 10.1039/d0nr06854c pmid: 33295920
[25]	van der Maaten, L. J. Mach. Learn. Res. 2014, 15, 3221.
[26]	Jolliffe I. T.; Cadima J. Philos. Trans. R. Soc. A 2016, 374, 20150202. doi: 10.1098/rsta.2015.0202

机器学习辅助解析共价有机框架材料吸附铀酰的结构-机制关系^★

Machine Learning-Assisted Elucidation of the Adsorption Structure-Mechanism Relationship of Uranyl on Covalent Organic Frameworks^★

RichHTML

PDF

补充材料

可视化

摘要/Abstract

引用此文

分享此文

图/表 7

参考文献 26

相关文章 15

编辑推荐

相关统计

本文评价

[1]	张宇明, 孙世涛, 周诗嘉, 李珺卿, 贺雷, 王东琪. 乙醇高值转化制正丁醇的机器学习研究[J]. 化学学报, 2026, 84(9): 1464-1474.
[2]	陈中胜, 雷天灏, 彭炜, 陈娴琳, 燕春培, 罗峰. 共价有机框架材料在海水提铀中的研究进展^★[J]. 化学学报, 2026, 84(5): 736-754.
[3]	彭天资, 沈嘉克, 郭淑雅, 夏潇潇, 李炜. 迁移学习预测金属/共价有机骨架材料内小分子气体自扩散系数研究[J]. 化学学报, 2026, 84(3): 305-315.
[4]	宋玉朋, 华紫辉, 葛介超, 王春儒, 吴波. 具有强大内建电场的C₆₀@TpPa共价有机框架材料高效光催化产氢[J]. 化学学报, 2026, 84(3): 370-376.
[5]	翁惠琼, 黄河, 王雯菲, 李和国, 李晓鹏, 张守鑫, 李树华, 赵越, 吴玉芳, 乔智威. 基于MOFid赋能下的AI大数据挖掘高性能化学战剂吸附材料[J]. 化学学报, 2026, 84(1): 8-19.
[6]	闫生荣, 刘文浩, 段芳, 陈明清, 东为富, 陆双龙, 杜明亮. 基于sp²-碳连接具有D-A结构共价有机框架的构筑及其光催化产双氧水性能研究[J]. 化学学报, 2025, 83(7): 685-693.
[7]	墨云鹤, 曹卫刚, 赵乐泉, 唐振强, 郑珑, 蔡宗英. 基于机器学习与第一性原理筛选锂离子电池钒基电极材料[J]. 化学学报, 2025, 83(5): 518-526.
[8]	王佳雨, 赵文娟, 贾宏宇, 刘永博, 张敏, 董龙龙, 张安杰, 王锐. 铜配位三维共价有机框架提升电催化硝酸盐还原制氨[J]. 化学学报, 2025, 83(12): 1507-1513.
[9]	班渺寒, 双亚洲, 杨安平, 郑长勇, 张伟, 徐飞. 共价有机框架的设计及质子传导性能研究进展[J]. 化学学报, 2025, 83(11): 1435-1540.
[10]	李澄秋, 余嘉俊, 冯霄. 共价有机框架作为质子导体的研究进展^★[J]. 化学学报, 2025, 83(10): 1223-1236.
[11]	李珺卿, 宋千禧, 刘子义, 王东琪. 机器学习方法预测含硼材料能隙[J]. 化学学报, 2024, 82(4): 387-395.
[12]	徐晗, 王聪芝, 刘峙嵘, 石伟群. 海水提铀吸附材料及官能团配位机理研究进展[J]. 化学学报, 2024, 82(4): 458-470.
[13]	魏颖, 王家成, 李玥, 汪涛, 马述威, 解令海. 碳碳键链接的二维共价有机框架研究进展[J]. 化学学报, 2024, 82(1): 75-102.
[14]	刘建川, 李翠艳, 刘耀祖, 王钰杰, 方千荣. 高稳定二维联咔唑sp²碳共轭共价有机框架材料用于高效电催化氧还原^★[J]. 化学学报, 2023, 81(8): 884-890.
[15]	杨蓉婕, 周璘, 苏彬. 基于共价有机框架修饰电极的维生素A和C的选择性检测^★[J]. 化学学报, 2023, 81(8): 920-927.

机器学习辅助解析共价有机框架材料吸附铀酰的结构-机制关系★

Machine Learning-Assisted Elucidation of the Adsorption Structure-Mechanism Relationship of Uranyl on Covalent Organic Frameworks★

RichHTML

PDF

补充材料

可视化

摘要/Abstract

引用此文

分享此文

图/表 7

参考文献 26

相关文章 15

编辑推荐

相关统计

本文评价

机器学习辅助解析共价有机框架材料吸附铀酰的结构-机制关系^★

Machine Learning-Assisted Elucidation of the Adsorption Structure-Mechanism Relationship of Uranyl on Covalent Organic Frameworks^★