浙大高翔/张霄JMCA：机器学习加速识别用于低温NH3-SCR的高性能催化剂

通过反复试验筛选催化剂会消耗大量时间和资源。机器学习（ML）是一种先进的人工智能技术，近年来在许多科学和工业领域得到广泛应用，可以根据文献中的实验数据加速最佳催化剂的筛选。

在此，浙江大学高翔教授、张霄研究员等人利用一系列（8种）ML算法来辅助设计低温选择性催化还原（SCR）催化剂。为了构建ML模型，作者从2000多个文献报告中提取数据，建立了一个SCR催化剂数据库并在此框架下量化了输入催化剂和反应参数的重要性。

采用决定系数和均方根误差评估ML模型，其中极端随机树回归（ETR）在预测催化性能方面表现最好。此外，作者还计算了特征重要性分数，以找出哪些特征对预测催化剂性能有很大影响。

图1. 八种机器学习方法的预测性能评估

结果表明，为了开发优良的低温SCR催化剂，需要使用氧化能力强的元素，如 Mn 作为活性成分。催化剂必须具有足够大的比表面积，以尽可能分散活性组分。

通过ML方法预测 Mn-Ce-M（M = Co、Cu 和 Fe）混合氧化物系统是一种很有前途的SCR催化剂，实验进一步证明了这一点，在较宽的温度范围（150~300℃）内，使用 Mn–Ce–Co催化剂的NO转化率大于 80%。

图2. 特征重要性分数计算

图3. 机器学习预测值与实验值的比较

Accelerated identification of high-performance catalysts for low-temperature NH₃-SCR by machine learning, Journal of Materials Chemistry A 2021. DOI: 10.1039/D1TA06772A

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/12/e4410c069f/

浙大高翔/张霄JMCA：机器学习加速识别用于低温NH3-SCR的高性能催化剂

相关推荐

发表回复