这页已由机器翻译。其他页面可能仍然显示为英文。 View in English

通过基于机器学习的反应采样解决的位点选择性的起源

Pei-Lin Kang ¹, Cheng Shang ¹, Zhi-Pan Liu ¹

⁰Collaborative Innovation Center of Chemistry for Energy Material, Shanghai Key Laboratory of Molecular Catalysis and Innovative Materials, Key Laboratory of Computational Physical Science, Department of Chemistry , Fudan University , Shanghai 200433 , P. R. China.

Journal of the American Chemical Society +

|

2019年十二月5日

在PubMed上查看摘要

概括

研究人员解决了复杂的葡萄糖热解反应网络,确定了关键中间体和一种新型脱水机制,用于生产有价值的平台化学物质,如5-基甲 (HMF). 这有助于利用生物质作为可再生燃料.

科学领域

生物质的利用和转化
化学反应工程
计算化学和机器学习

背景情况

葡萄糖热解是一个复杂的过程,对生物质利用至关重要,反应途径和选择性,特别是对5-甲 (HMF) 的生产,仍然不太了解.
尽管进行了数十年的实验研究,但对控制葡萄糖热解的复杂反应网络缺乏全面的理解,这阻碍了高效的HMF产量优化.

研究的目的

阐明葡萄糖热解的完整反应网络.
确定控制HMF等有价值的平台化学物质形成的关键中间体和反应机制.
开发和验证用于探索复杂化学反应系统的计算方法.

主要方法

使用随机表面行走 (SSW) 全球优化建立了第一个用于葡萄糖热解的有机化学反应数据库.
通过机器学习开发了全球神经网络 (G-NN) 潜力,以广泛探索反应网络.
选了超过15万个反应对, 确定了6407个基本反应, 通过第一原则计算得到验证.

主要成果

鉴定了果糖和3-脱氧糖-2- (3-DGE) 作为葡萄糖转化为HMF的关键中间体.
揭示了一个选择性反迈克尔添加机制连续三个脱水步骤,总体屏障为1.91 eV.
通过共同的中间体3 - 基托赫索索,发现具有1.95 eV的竞争性通路到furfural (FF) 和乙 (HAA).

结论

建议的葡萄糖到HMF的最低能量通路的能量 (1.91 eV) 比之前报告的机制要低得多.
结合SSW和G-NN的计算方法为生物质化学中的复杂反应网络提供了强大的方法.
了解这些反应途径对于推进生物质可再生燃料的反应设计和机制建模至关重要.

相关概念视频