Kostensenkung um mehr als 90 %, „aktives Lernen + experimenteller Workflow“ beschleunigt die Katalysatorentwicklung

Herausgeber |. Green Luo

Die Synthese höherer Alkohole (HAS) durch thermisch katalytische Hydrierung von Synthesegas bleibt eine vielversprechende Technologie. Anforderungen an Kettenwachstum und CO-Einfügung erfordern Mehrkomponentenmaterialien, deren komplexe Reaktionskinetik und großer chemischer Raum nicht den Spezifikationen des Katalysatordesigns entsprechen.

Hier schlagen Forscher der ETH Zürich am Beispiel der FeCoCuZr-Katalysatorserie eine alternative Strategie vor, um aktives Lernen in experimentelle Arbeitsabläufe zu integrieren.

Das vorgeschlagene datengestützte Framework vereinfacht die Navigation in einem weiten Bereich von Zusammensetzungen und Reaktionsbedingungen in 86 Experimenten und reduziert den ökologischen Fußabdruck und die Kosten im Vergleich zu herkömmlichen Verfahren um mehr als 90 %. Es wurde festgestellt, dass der Fe65Co19Cu5Zr11-Katalysator bei optimierten Reaktionsbedingungen eine höhere Alkoholproduktivität von 1,1 bei stabilem Betrieb über 150 Stunden erreichte, was einer 5-fachen Verbesserung gegenüber den üblicherweise angegebenen Ausbeuten entspricht.

Dieser Ansatz geht über bestehende HAS-Katalysatordesignstrategien hinaus, ist auf ein breiteres Spektrum katalytischer Umwandlungen anwendbar und fördert die Nachhaltigkeit im Labor.

Verwandte Forschung mit dem Titel „Aktives Lernen rationalisiert die Entwicklung von Hochleistungskatalysatoren für eine höhere Alkoholsynthese“ wurde am 11. Juli auf „Nature Communications“ veröffentlicht.

Link zum Papier: https://www.nature.com/articles/s41467-024-50215-1

Die Entwicklung effizienter Katalysatoren für die syngasbasierte höhere Alkoholsynthese (HAS) bleibt eine Herausforderung. Eine entmutigende Forschung Herausforderung, die die Produktion wertvoller Chemikalien und Kraftstoffzusätze aus fossilen Brennstoffen reduzieren und gleichzeitig eine Kreislaufwirtschaft fördern und Probleme des Klimawandels abmildern könnte. Bereitstellung fossiler Brennstoffe zur Herstellung wertvoller Chemikalien und Kraftstoffzusätze.

Die Schnittstelle zwischen maschinellem Lernen (ML) und parallelem Experimentieren ist aktives Lernen, das sich zur Beschleunigung des Materialdesigns und der Prozessoptimierung durch einen geschlossenen Regelkreis aus kleinen Daten, maschineller Intelligenz und menschlicher Entscheidungsfindung eignet.

Obwohl dieser Ansatz in der Materialwissenschaft, Arzneimittelforschung und Biosystemtechnik immer beliebter wird, ist er im Bereich der Katalyse noch wenig erforscht. Ob aktive lerngestützte Methoden für hochkomplexe HAS-Katalysatorsysteme geeignet sind, ist unbekannt.

Aktives Lernen beschleunigt die Katalysatorentwicklung

In dieser Studie haben Forscher eine aktive Lernstrategie entwickelt, um die Entwicklung hochaktiver FeCoCuZr-Katalysatoren zu beschleunigen. Zu den Hauptmerkmalen gehören:

(i) Der Fe65Co19Cu5Zr11-Katalysator verfügt über eine hohe Vorhersagefähigkeit und seine optimalen Reaktionsbedingungen sind stabile höhere Alkohole mit einer Raum-Zeit-Ausbeute (STYHA) von 1,1 und einer Dauer von mindestens 150 Stunden. Das ist der bisher höchste gemeldete Wert für Synthesegas-Direkt-HAS.

(ii) Erhebliche Reduzierung von Zeit und Ressourcen durch die Identifizierung optimaler Systeme für 86 Experimente aus einem riesigen Bereich von etwa 5 Milliarden möglichen Kombinationen.

(iii) Gezieltere Optimierungen werden sichtbar inhärente Leistungskompromisse und empfiehlt Pareto-optimale Katalysatoren, um die Selektivität zu CO2 und CH4 zu minimieren und gleichzeitig einen hohen STYHA aufrechtzuerhalten.

Abbildung: Bestimmen Sie die Katalysatorzusammensetzung und maximieren Sie die Reaktionsbedingungen STYHA. (Quelle: Papier)

Diese Ergebnisse unterstreichen das Potenzial datengesteuerter Ansätze, die Entwicklung effizienter Mehrkomponentenkatalysatoren weiter zu beschleunigen und Innovationen in der Katalyseforschung zu fördern.

Übersicht und Umfang des Active Learning Framework

Ansatz des aktiven Lernens, der datengesteuerte Algorithmen mit experimentellen Arbeitsabläufen kombiniert, die kontinuierlich aus vorhandenen und neu generierten Daten in iterativen experimentellen Zyklen lernen, um die Zusammensetzung und Reaktionsbedingungen von FeCoCuZr zu erkunden und zu identifizieren und so den Katalysator zu optimieren Leistungsindikatoren von Interesse. Der Kern des datengesteuerten Modells kombiniert Gaussian Process (GP) und Bayesian Optimization (BO)-Algorithmen mit menschlicher Entscheidungsfindung, um Einzel- oder Mehrzielaufgaben zu erledigen.

Abbildung: Aktives Lernworkflow-Schema für die Entwicklung des FeCoCuZr-Katalysators. (Quelle: Papier)

Um die Machbarkeit dieses Ansatzes für HAS zu demonstrieren, wurde die Studie systematisch in drei verschiedenen Phasen durchgeführt, wodurch die Komplexität des Modells schrittweise erhöht wurde.

• In Stufe 1 wird die Katalysatorzusammensetzung variiert mit dem Ziel, STYHA unter festgelegten Reaktionsbedingungen zu maximieren.

• In Stufe 2 wird die Dimensionalität des Problems erhöht, indem gleichzeitig die Katalysatorzusammensetzung und die Reaktionsbedingungen untersucht werden, um STYHA zu maximieren.

• Dann wird die Methode in Stufe 3 auf Mehrzielfähigkeiten erweitert, indem gleichzeitig STYHA maximiert und die kombinierte Selektivität von CO2 und Methan minimiert wird. Jede Stufe führt einen iterativen Zyklus bestehend aus sechs Experimenten durch, bis der Zielleistungsindex erreicht oder die Sättigung erreicht ist.

Aktives Lernen und nachhaltige Labore

Während es eine Milliarde Kombinationen möglicher Chemie und Parameterräume für FeCoCuZr-Systeme gibt, reichen praktische Studien zu Mehrkomponentenkatalysatoren von Hunderten bis Tausenden von Screening-Experimenten.

Durch den Einsatz von aktivem Lernen kartierten die Forscher den riesigen Raum der FeCoCuZr-Katalysatoren in insgesamt 104 Experimenten in den Stufen 1 bis 3, um die erforderlichen Leistungsziele zu erreichen, und bestätigten damit die wachsende Literatur, die behauptet, dass aktives Lernen die Arbeit von Experimenten beschleunigen kann. Dies hat tiefgreifende Auswirkungen auf die ökologische und wirtschaftliche Nachhaltigkeit von Katalysatorentwicklungsprogrammen, die noch erforscht werden müssen.

Illustration: Der Einfluss von aktivem Lernen auf die Nachhaltigkeit im Labor. (Quelle: Papier)

Unter der Annahme, dass diese Studie eine Katalysatorentwicklungsmaßnahme darstellt, bewertet die Studie in diesem Zusammenhang, inwieweit sich aktives Lernen auf zwei Nachhaltigkeitssäulen des Labors auswirkt.

Analysen zeigen, dass der CO2-Fußabdruck und die Kosten im Vergleich zu herkömmlichen Veranstaltungen um durchschnittlich über 90 % reduziert werden. Es wurde außerdem festgestellt, dass dieses Ergebnis kaum von globalen regionalen Unterschieden abhängt, die sich beispielsweise auf den Energiemix oder die Zusammensetzung der Laborbetriebskosten auswirken.

Aktives Lernen trägt somit maßgeblich zur Entwicklung nachhaltiger Katalyselabore bei, indem es den Verbrauch von Chemikalien und Energie reduziert und die Ressourcennutzung optimiert.

Hinweis: Das Cover stammt aus dem Internet

Das obige ist der detaillierte Inhalt vonKostensenkung um mehr als 90 %, „aktives Lernen + experimenteller Workflow“ beschleunigt die Katalysatorentwicklung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!