机器学习辅助晶体工程的热石
Xinyu Li1, He Han1,2, Nikolaos Evangelou3
1Department of Chemical Engineering and Materials Science, University of Minnesota, 421 Washington Avenue SE, Minneapolis, MN, 55455, USA.
Nature communications
|May 31, 2023
概括
机器学习模型有效地预测了石的特性,使得高Si/Al比率的石 (FAU) 石的合成成为可能. 这一进步使得转换过程的催化剂得到了改进.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 计算化学计算化学
背景情况:
- 福贾石 (FAU) 热石作为催化剂和吸附剂至关重要.
- 控制合成条件是定制热带石微观结构和特性的关键.
- 机器学习 (ML) 为理解复杂的材料合成关系提供了一个强大的工具.
研究的目的:
- 为了证明ML算法的实用性,特别是几何波,在预测石属性.
- 确定最佳的合成条件,以提高FAU热中Si/Al比率.
- 将ML方法的性能与神经网络和高斯过程回归等传统方法进行比较.
主要方法:
- 机器学习算法 (几何波,神经网络,高斯过程回归) 的应用,以建模石合成.
- 输入参数 (组成,条件) 和输出特征 (微观结构) 的分析.
- 用不同的Si/Al比率对FAU热岩进行实验合成和表征.
主要成果:
- ML成功地捕获了合成输入和FAU热带石微结构输出之间的关系.
- 通过直接的无有机合成,确定了合成条件,以在FAU热带石中达到3.5的Si/Al比.
- 减少的Na2O含量被确定为FAU材料中高Si/Al比率的关键.
结论:
- ML 提供了对热带石合成的宝贵见解,促进了具有目标性质的材料的设计.
- 合成的高Si/Al比率FAU焦化物 (Si/Al=3.5) 产生了一种优越的酸催化剂,用于裂和脱.
- 这项工作为FAU热酸盐合成和催化性能建立了新的基准.
