使用机器学习和微动力学建模,对用于蒸汽甲改造的耐硫催化剂进行高通量选
Siqi Wang1, Satya Saravan Kumar Kasarapu1, Peter T Clough1
1Energy and Sustainability Theme, Cranfield University, Cranfield, Bedfordshire MK43 0AL, U.K.
ACS omega
|March 18, 2024
概括
机器学习和微动力学建模快速选了500多个双金属催化剂,以检测蒸汽甲改革 (SMR) 中的硫阻力. 基于Ge和Ni3Cu1的合金显示出对具有成本效益,耐硫的SMR应用的希望.
科学领域:
- 催化剂是一种催化剂.
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
背景情况:
- 双金属催化剂对于蒸汽甲改造 (SMR) 是至关重要的.
- 它们在富含硫的环境中的表现在很大程度上仍未被探索.
- 硫中毒是SMR催化剂的一个主要挑战.
研究的目的:
- 使用机器学习 (ML) 和微动力学建模,开发一种对抗硫双金属催化剂的快速选过程.
- 确定新型双金属材料,在SMR中提高抗硫中毒的稳定性.
- 利用计算方法加速催化剂的发现.
主要方法:
- 开发ML模型 (Ensemble,ANN,SVR) 以预测双金属表面上的原子吸附能.
- 利用金属和吸附物的物理和化学特性作为ML输入特征.
- 构建SMR反应的微动力学模型,并选500多种双金属材料.
主要成果:
- ML模型实现了对吸附能量的高预测性能 (R^2高达0.74).
- 集体学习模型与微动力学建模一起用于催化剂选.
- 四种基于Ge的合金 (Ge3Cu1,Ge3Ni1,Ge3Co1,Ge3Fe1) 和Ni3Cu1被确定为有前途的候选物.
结论:
- 结合ML和微动力学建模方法,可以有效地发现耐硫催化剂.
- 已识别的基于Ge和Ni3Cu1的合金为具有成本效益和耐硫的SMR提供了潜力.
- 这种方法加快了为具有挑战性的工业过程开发下一代催化剂的速度.
更多相关视频
07:24Combustion Chemistry of Fuels: Quantitative Speciation Data Obtained from an Atmospheric High-temperature Flow Reactor with Coupled Molecular-beam Mass Spectrometer
Published on: February 19, 2018
10.1K
10:57Synthesis and Performance Characterizations of Transition Metal Single Atom Catalyst for Electrochemical CO2 Reduction
Published on: April 10, 2018
18.2K
