Преобразование углекислого газа в чистое топливо — важный шаг к углеродной нейтральности
Превращение углекислого газа ($CO2$) в чистое топливо считается важным шагом на пути к углеродной нейтральности. В частности, интерес вызывает реакция $CO2$ с образованием метана (метанация $CO_2$) из-за её благоприятных термодинамических свойств и пользы для окружающей среды. Однако масштабное внедрение по-прежнему сталкивается с такими проблемами, как недостаточная активность катализатора при низких температурах и уязвимость к углеродным отложениям.
Применение объяснимого машинного обучения для разработки никелевых катализаторов
Исследователи применили объяснимую структуру машинного обучения (ML) для поддержки рационального проектирования никелевых катализаторов для метанации $CO_2$.
Исследование опубликовано в журнале ACS Sustainable Chemistry & Engineering.
Вместо традиционных методов проб и ошибок, в исследовании представлен систематический подход к обработке данных, перекрёстной проверке и построению моделей ансамблевого обучения. Среди протестированных методов модель категорического бустинга (CatBoost) достигла значений $R^2$ 0,77 для превращения $CO2$ и 0,75 для селективности по $CH4$.
Определение оптимальных условий реакции
Анализ ключевых дескрипторов позволил определить оптимальные условия реакции:
* температура 250–350 °C;
* часовая объёмная скорость газа ниже 15 000 $см^3$ $г^{-1}$ $ч^{-1}$;
* удельная поверхность по методу БЭТ от 50 до 200 $м^2$ $г^{-1}$;
* содержание никеля более 5%.
Эти результаты демонстрируют, как методы, основанные на данных, могут помочь в оптимизации катализаторов и сократить путь от лабораторных исследований до промышленного применения.
«Эта работа показывает, как машинное обучение может помочь нам лучше понять критические факторы, влияющие на производительность метанации $CO_2$», — сказал Хао Ли, выдающийся профессор Токийского университета в передовом институте исследований материалов (WPI-AIMR). «Делая модели объяснимыми, мы не только предсказываем результаты, но и получаем знания о том, почему важны определённые условия».
Будущие направления исследований
В будущем исследовательская группа объединит расчёты функционала плотности и экспериментальные данные высокой пропускной способности для создания многомасштабных прогнозных моделей. Они также проведут систематическую экспериментальную проверку для уточнения конструкции катализаторов.
«Наша цель — создать платформу, которая объединяет вычислительную химию, машинное обучение и каталитическую инженерию», — пояснил Ли. «Поступая таким образом, мы надеемся внести практический вклад в переработку углерода и эффективное использование возобновляемых источников энергии».
Это исследование представляет собой взгляд на то, как объяснимое машинное обучение может быть применено в исследованиях катализаторов, поддерживая разработку более чистого топлива и более широкий переход к устойчивым энергетическим системам.
Предоставлено Токийским университетом