La conversion du dioxyde de carbone en carburants propres est considérée comme une voie importante vers la neutralité du carbone. CO2 La méthanation, en particulier, a suscité des intérêts croissants en raison de ses propriétés thermodynamiques favorables et de ses avantages environnementaux. Pourtant, le déploiement à grande échelle continue de faire face à des défis tels que l'activité de catalyseur insuffisante à basse température et la vulnérabilité au dépôt de carbone.
Les chercheurs ont maintenant appliqué un cadre explicable d'apprentissage automatique (ML) pour soutenir la conception rationnelle des catalyseurs basés sur le nickel pour le CO2 Méthanation.
L'étude est publiée dans la revue ACS Chimie et ingénierie durable.
Au lieu de s'appuyer sur des méthodes traditionnelles d'essais et d'erreurs, l'étude introduit une approche systématique du traitement des données, de la validation croisée et de la construction du modèle d'apprentissage d'ensemble. Parmi les méthodes testées, un modèle de boost catégorique (CatBoost) a atteint R2 des valeurs de 0,77 pour CO2 conversion et 0,75 pour ch4 sélectivité.
En analysant les descripteurs clés, l'étude a identifié des conditions de réaction optimales: température entre 250 et 350 ° C, vitesse d'espace horaire du gaz inférieur à 15 000 cm3 g-1 H-1Bet Surface Area de 50–200 m2 g-1et le contenu en nickel supérieur à 5%.
Ces informations montrent comment les méthodes basées sur les données peuvent guider l'optimisation du catalyseur et raccourcir la voie de la recherche en laboratoire à l'application industrielle.
« Ce travail montre comment l'apprentissage automatique peut nous aider à mieux comprendre les facteurs critiques qui influencent le CO2 Performance de méthanation », a déclaré Hao Li, professeur distingué à l'Institut avancé de recherche sur les matériaux de l'Université Tohoku (WPI-AIMR).
« En rendant les modèles explicables, nous prédisons non seulement les résultats mais aussi les connaissances sur les raisons pour lesquelles certaines conditions comptent. »
Pour l'avenir, l'équipe de recherche intègrera les calculs de théorie fonctionnelle de la densité et les données expérimentales à haut débit pour créer des modèles prédictifs à plusieurs échelles. Ils effectueront également une validation expérimentale systématique pour affiner les conceptions de catalyseurs.
« Notre objectif est d'établir une plate-forme qui combine la chimie informatique, l'apprentissage automatique et l'ingénierie catalytique », a expliqué Li. « Ce faisant, nous espérons contribuer des solutions pratiques pour le recyclage du carbone et l'utilisation efficace des énergies renouvelables. »
Cette étude fournit une perspective sur la façon dont l'apprentissage automatique peut être appliqué à la recherche sur les catalyseurs, soutenant à la fois le développement de carburants plus propres et la transition plus large des systèmes énergétiques durables.
