Py学习  »  机器学习算法

【解读】利物浦大学屠昕教授:机器学习优化镍基催化剂用于生物质焦油水蒸汽重整反应

科学温故 • 8 月前 • 134 次点击  
第一作者和单位:王南涛;贺虹源;王耀霖 利物浦大学
通讯作者和单位:屠昕教授 利物浦大学
原文链接:https://www.sciencedirect.com/science/article/pii/S0196890423012256 (Open Access)
关键词:机器学习;生物质气化;焦油重整;合成气;甲苯;催化重整

全文速览

该工作通过对生物质焦油水蒸汽催化重整反应已有文献数据的收集整理,选取甲苯作为典型焦油模化物进行分析,利用人工智能,开展了对该反应的预测及优化相关研究。预测值较好的吻合了实验值,并且研究表明,在输入的14个影响参数中,反应温度、载体、助剂、镍(Ni)负载量以及催化剂煅烧温度对于该反应的影响尤为重要。在此基础上,利用模型预测,该研究对以上参数之间的相互作用机制进行了研究,提出了有针对性的优化建议,如反应温度区间以及催化剂载体和助剂的选择等,并通过了实验验证。

背景介绍

生物质气化作为一种高效利用生物质的技术手段,可将生物质原料转化为合成气并用于直燃供热或发电,同时也可用于化学品合成。但是在气化过程中产生的焦油会导致管路、阀门等下游设备堵塞与腐蚀,极大地限制了生物质气化技术的发展和工业化。目前焦油的脱除方法主要包括:机械分离、热裂解、催化重整以及等离子体重整等。其中催化重整尤其引人注目,自2005年以来,研究者对该领域做了大量研究工作,报道了大量的实验数据。然而,由于缺乏有效的数据分析工具,大多数先前的工作基于经验参数方法简单地研究了单个参数对焦油催化重整的影响,而忽视了多个参数在多维度上的协同效应,这对该工艺的进一步优化和发展至关重要。在本研究中,训练有素的机器学习模型被用作有效的数据分析工具,以协助反应优化。

数据库建立及解读

该工作收集了自2005年以来,镍基催化剂用于甲苯水蒸气催化重整反应的相关文献研究,共采集了584个数据点,其中包括14个影响参数,以及甲苯转化率作为评价指标。不同参数的数值化分布如图1所示。对于非数值化的参数,如载体、助剂、制备方法以及载气,该数据库同样进行了收集整理。助剂包含了贵金属 (Pd、Pt、Sr等)、非贵金属(Fe、Cu等)、碱金属(K)、碱土金属(Mg、Ca等)和双金属(Ce-Mg、Ru-Mn等)。载体包括天然矿石(水滑石、白云石、橄榄石等),以及HZSM-5、γ-Al2O3、SBA-15、CaO、TiO2、SiO2、MgO等常见载体和一些非常规载体,如生物炭、煤灰、石墨介孔碳等。湿法浸渍是制备催化剂最常用的方法,其次是共浸渍法和共沉淀法。氮气(N2)和氩气(Ar)是甲苯催化水蒸汽重整中最常用的载气。
Fig. 1 The statistical distribution of different parameters in the category of (a) catalyst, (b) preparation, and (c) operation.

相对重要性分析

利用所建立的数据库,作者首先利用5种不同的决策树数模型对数据进行了分类预测,其中包括:logistic regression (LR) classifier, decision tree (DT), random forest (RF) classifier, extreme gradient boosting classifier tree (XGB), and gradient boosting classifier tree (GBCT)。基于不同模型预测的准确率以及ROC曲线下面积(AUC)比较,最终选取了RF模型进行相对重要性分析, 其准确率及AUC分别为0.99和0.92,如图2所示。在RF模型基础上,作者研究了不同参数的相对重要性,如图3a所示。研究表明反应温度对甲苯转化率的相对重要性最高(0.24),其次分别是载体(0.16)、助剂(0.12)、Ni负载量 (0.08) 和煅烧温度 (0.07) 等。反应温度的相对重要性最高可归因于该反应的高度吸热性质以及反应温度引起的催化剂的不稳定性。一方面,反应的活化能较高。另一方面,在较高的温度下,由于碳沉积和催化剂烧结,催化剂会失去反应活性。载体和助剂同样对于该反应表现出较高的影响,表明合理的选择载体和助剂对于反应的优化具有重要意义,其中相对重要性较高的载体和助剂分别为水滑石、γ-Al2O3、CeZrO2、SiO2@C、MgO和Mg、Pd、Ce、Fe、Zr等,如图3a和3b所示。另外Ni负载量以及煅烧温度对该反应同样表现出较高的影响。
Fig. 2 (a) The accuracy and (b) the mean ROC curves of different classification algorithms.

Fig. 3 (a) The relative importance of each parameter, and the percentage of different (b) supports and (c) additives in the category of support and additive.

参数间相互作用机制研究

在明晰不同参数的相对重要性的基础上,作者接着利用回归模型artificial neural networks (ANN) 对在反应中影响较大的5种参数间的相互作用机制进行了分析。通过控制变量法,作者首先分析了反应温度,Ni负载量以及煅烧温度间的相互作用机制,如图4所示。当煅烧温度和Ni负载量一定时,甲苯转化率随着的反应温度的增加先增高随后趋于稳定。同时研究表明,甲苯转化率对于助剂和载体的响应也略有不同,合理的载体选择,能够在较低的反应温度下获得更高的甲苯转化率。当反应温度和煅烧温度一定时,甲苯转化率随着Ni负载量的增加先增加后缓慢减少,表明Ni负载量存在一个合理的区间,同时当有助剂添加时,Ni负载量对于煅烧温度的响应尤为明显,如图4c所示。当反应温度和Ni负载量一定时,甲苯转化率随着煅烧温度的增加先增加后减少。较高的煅烧温度不仅会导致催化剂载体塌陷,形貌发生变化,同时还会导致负载金属烧结,减少活性催化位点,使得甲苯转化率降低。在以上分析研究的基础上,作者提出了反应温度、Ni负载量以及煅烧温度的优化区间,分别为600-700 ℃、5-15 wt%以及500-650 ℃。为优化载体和助剂的选取,作者研究了甲苯转化率随不同载体和助剂在不同反应温度、Ni负载量以及煅烧温度的变化,如图5所示。可以看出对于不同的载体和助剂,甲苯转化率随反应温度、Ni负载量以及煅烧温度的变化不尽相同,结合相关催化剂的分析表征数据对比分析表明,较大的催化剂比表面积和较小的Ni颗粒尺寸能够有助于甲苯转化率的提高。
Fig. 4 The contour maps for the toluene conversion and temperature, calcination temperature, and Ni loading when using (a) (b) (c) Mg and (d) (e) (f) hydrotalcite as the additive and support.

Fig. 5 The predicted toluene conversion over the top 5 additives and supports with different (a) and (c) temperatures, (b) and (e) Ni loadings, and (c) and (f) calcination temperatures.

实验验证

为以进一步验证模型以及优化策略的有效性,作者选取了商业γ-Al2O3作为载体,进行了甲苯水蒸气催化重整反应。利用ANN模型进行网格搜索发现,在Ni负载的γ-Al2O3催化剂中添加金属Pt可以显著提高甲苯转化率,如图6a所示。实验验证了机器学习模型可以捕捉到催化剂在特定反应条件下的性能变化趋势,特别是在10Ni-1Pt/ γ-Al2O3的情况下,预测值与相应的实验数据吻合较好。在600 ℃时,加入1 wt% Pt后,甲苯转化率从56.2提高到81.8%。在700 ℃时,10Ni-1Pt/ γ-Al2O3的甲苯转化率最高,达到97.8%, 如图6b所示。这证明了利用机器学习优化反应参数的有效性。

Fig. 8 (a) The predicted toluene conversion with different additives using γ-Al2O3 as support, (b) the experimental and predicted toluene conversion.

结论及展望

该研究利用2005年以来发表的文献,构建了包含584个数据点和14个输入参数的数据库。开发了训练有素的机器学习模型,用于甲苯水蒸气催化重整反应的预测和优化。模型预测结果与实验结果吻合较好,结果表明反应温度是影响最大的参数,其次是载体、助剂、Ni负载量和煅烧温度。通过研究参数间相互作用机制,作者确定了合适的优化范围并提出了具体的优化建议。此外,该工作还揭示了选择合适的载体和助剂的重要性。发现适当的载体和助剂的引入可以提供了更多的活性位点,促进了Ni的分散,从而提高了催化剂的活性和稳定性。
尽管该研究强调了训练有素的机器学习模型在准确预测方面的潜力,并获得了对甲苯水蒸气催化重整反应更深入的了解,但必须承认该工作还存在着一定的局限性,在该研究中,经过训练的模型在现有数据库上表现得很好,但当推广到未纳入数据库的数据时,实验值和预测值之间存在着较明显的差异。导致数据误差的主要因素可能是训练数据集的潜在不足。在机器学习中,特别是对于复杂的模型,大量不同的数据对于模型的学习必不可少的。该工作数据库虽然包含584个数据点,但当涉及到大量催化剂时,这个数量可能仍然被认为是不足的,这可能限制了模型捕捉复杂参数间关系的能力。基于此,未来的研究可能优先考虑提高数据库的丰富度和广度。建议考虑包括更多的能够代表该反应的参数,如催化剂的形貌、热失重特性、孔隙分布、酸性、元素分布等信息。另外,未来的研究可尝试采用更复杂、更先进的模型。这种方法可以通过增强模型捕捉细微数据关系的能力并产生更准确的预测。

通讯作者介绍

屠昕, 英国利物浦大学等离子体催化讲席教授和博士生导师。屠昕教授长期致力于将等离子体催化技术用于能源高效转化利用(包括碳/氮小分子活化和生物质/塑料转化)和环境污染控制等基础前沿和应用研究,是等离子体催化领域具有国际影响力的知名学者,已在Nature Rev Mater, JACS, Agnew Chem等重要国际期刊发表论文200余篇,多次举办国际会议/暑期学校并担任国际会议主席,受邀在重要国际会议作邀请报告90余次。2019年屠昕教授牵头组织等离子体催化领域的16位知名专家学者共同编写了2020等离子体催化技术路线图,为等离子体催化这一变革性技术在能源和环境领域的应用指明今后的发展方向。
课题组链接
https://www.liverpool.ac.uk/electrical-engineering-and-electronics/staff/xin-tu/

科学温故QQ群—科研爱好者集中地!(不定期发布讲座通知,分享录制视频)
微信群(学术交流/电催化/光催化/理论计算/资源共享/文献互助群;C1化学/生物质/单原子/多孔材料分舵),小编微信:hao-xinghua或alicezhaovip,备注“姓名-单位。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/166622
 
134 次点击