用机器学习与可解释的选择性函数来加速选以化石的甲醇到烯转化

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
• 化学工程是化学工程的重要组成部分.

背景情况:

• 甲醇到烯 (MTP) 是生产烯的关键工业过程.
• 酸催化剂对于MTP至关重要,但控制烯选择性仍然是一个挑战.
• 了解MTP选择性机制对于催化剂开发至关重要.

研究的目的:

• 开发一个可解释的函数来评估MTP中的/乙烯 (P/E) 选择性.
• 实施一种机器学习 (ML) 方法,用于为MTP使用热带石框架的高通量选.
• 通过实验验证ML的预测,并识别出优质的热酸盐催化剂.

主要方法:

• 密度函数理论 (DFT) 和大法典蒙特卡洛 (GCMC) 模拟被用来构建ML模型.
• 开发了一个可解释的函数来评估P/E选择性.
• 机器学习有助于高通量选热带石框架.
• 使用Ga-MFI和Ga-DDR催化剂进行实验验证.

主要成果:

• 该ML模型准确地预测了P/E选择性,并通过实验数据验证.
• Ga-MFI催化剂实现了12.3的P/E比率和121.3小时的运行寿命.
• 在收益/收益比率和寿命方面,Ga-MFI显著超过了Ga-DDR.
• 这项研究证实了热石选策略的有效性.

结论:

• 开发的可解释功能和ML方法使得能够有效地选热酸催化剂的MTP.
• Ga-MFI证明了MTP的特殊性能,提供高烯选择性和稳定性.
• 这项工作为设计用于改进MTP流程的先进热酸催化剂提供了一条途径.