Réduction des coûts de plus de 90 %, « apprentissage actif + flux de travail expérimental » accélère le développement de catalyseurs

Editeur | Green Luo

La synthèse d'alcools supérieurs (HAS) par hydrogénation thermique catalytique du gaz de synthèse reste une technologie prometteuse. Les exigences en matière de croissance de chaîne et d’insertion de CO nécessitent des matériaux à plusieurs composants dont la cinétique de réaction complexe et le vaste espace chimique ne répondent pas aux spécifications de conception du catalyseur.

Ici, des chercheurs de l'ETH Zurich proposent une stratégie alternative pour intégrer l'apprentissage actif dans les flux de travail expérimentaux, en utilisant la série de catalyseurs FeCoCuZr comme exemple.

Le cadre assisté par données proposé simplifie la navigation dans un large espace de compositions et de conditions de réaction à travers 86 expériences, réduisant ainsi l'empreinte environnementale et les coûts de plus de 90 % par rapport aux procédures traditionnelles. Il a été déterminé que le catalyseur Fe65Co19Cu5Zr11 avec des conditions de réaction optimisées atteignait une productivité d'alcool plus élevée de 1,1 en fonctionnement stable pendant 150 heures, soit une amélioration de 5 fois par rapport aux rendements couramment rapportés.

Cette approche va au-delà des stratégies de conception de catalyseurs HAS existantes, est applicable à une gamme plus large de transformations catalytiques et favorise la durabilité des laboratoires.

Une recherche connexe intitulée « L'apprentissage actif rationalise le développement de catalyseurs de haute performance pour une synthèse d'alcool plus élevée » a été publiée sur « Nature Communications » le 11 juillet.

Lien papier : https://www.nature.com/articles/s41467-024-50215-1

Développer des catalyseurs efficaces pour la synthèse d'alcools supérieurs (HAS) à base de gaz de synthèse reste un défi Une recherche de taille Un défi qui pourrait réduire la production de combustibles fossiles de produits chimiques précieux et d’additifs pour carburants tout en promouvant une économie circulaire et en atténuant les problèmes liés au changement climatique. Fournir des combustibles fossiles pour la production de produits chimiques et d’additifs pour carburants précieux.

L'intersection de l'apprentissage automatique (ML) et de l'expérimentation parallèle est l'apprentissage actif, qui convient pour accélérer la conception des matériaux et l'optimisation des processus grâce à un petit cadre en boucle fermée de prise de décision humaine et de données.

Bien que cette approche soit de plus en plus populaire dans la science des matériaux, la découverte de médicaments et l'ingénierie des biosystèmes, elle reste sous-explorée dans le domaine de la catalyse. On ne sait pas si les méthodes assistées par apprentissage actif conviennent aux systèmes catalytiques HAS très complexes.

L'apprentissage actif accélère le développement des catalyseurs

Dans cette étude, les chercheurs ont mis au point une stratégie d'apprentissage actif pour accélérer le développement de catalyseurs FeCoCuZr hautement actifs. Les principales caractéristiques comprennent :

(i) Le catalyseur Fe65Co19Cu5Zr11 a une capacité prédictive élevée et ses conditions de réaction optimales sont des alcools supérieurs stables avec un rendement espace-temps (STYHA) de 1,1 et une durée d'au moins 150 h, qui est la valeur la plus élevée rapportée jusqu'à présent pour le gaz de synthèse HAS direct ;

(ii) Réduction significative du temps et des ressources grâce à l'identification de systèmes optimaux pour 86 expériences à partir d'un vaste espace d'environ 5 milliards de combinaisons potentielles ;

(iii) Une optimisation plus ciblée révèle ; compromis en termes de performances inhérents et recommande des catalyseurs Pareto-optimaux pour minimiser la sélectivité en CO2 et CH4 tout en maintenant un STYHA élevé.

Illustration : Déterminer la composition du catalyseur et maximiser les conditions de réaction STYHA. (Source : Article)

Ces résultats mettent en évidence le potentiel des approches basées sur les données pour continuer à accélérer le développement de catalyseurs multicomposants efficaces et promouvoir l'innovation dans la recherche sur la catalyse.

Aperçu et portée du cadre d'apprentissage actif

Approche d'apprentissage actif qui combine des algorithmes basés sur les données avec des flux de travail expérimentaux qui apprennent en permanence à partir des données existantes et nouvellement générées dans des cycles expérimentaux itératifs pour explorer et identifier la composition et les conditions de réaction de FeCoCuZr afin d'optimiser le catalyseur indicateurs de performance intéressants. Le cœur du modèle basé sur les données combine les algorithmes de processus gaussien (GP) et d'optimisation bayésienne (BO) avec la prise de décision humaine pour accomplir des tâches à objectif unique ou multi-objectifs.

Illustration : Schéma de workflow d'apprentissage actif pour le développement du catalyseur FeCoCuZr. (Source : papier)

Pour démontrer la faisabilité de cette approche pour la HAS, l'étude a été menée systématiquement en trois phases différentes, augmentant progressivement la complexité du modèle.

• Dans l'étape 1, la composition du catalyseur est variée dans le but de maximiser STYHA dans des conditions de réaction fixes.

• Dans l'étape 2, la dimensionnalité du problème est augmentée en explorant simultanément la composition du catalyseur et les conditions de réaction pour maximiser STYHA.

• Puis, dans l'étape 3, la méthode est étendue aux capacités multi-objectifs en maximisant simultanément STYHA et en minimisant la sélectivité combinée du CO2 et du méthane. Chaque étape effectue un cycle itératif composé de six expériences jusqu'à ce que l'indice de performance cible soit atteint ou que la saturation soit atteinte.

Apprentissage actif et laboratoires durables

Bien qu'il existe un milliard de combinaisons possibles de chimie et d'espace de paramètres pour les systèmes FeCoCuZr, les études pratiques sur les catalyseurs à plusieurs composants vont de centaines à des milliers d'expériences de criblage.

En employant l'apprentissage actif, les chercheurs ont cartographié le vaste espace des catalyseurs FeCoCuZr en 104 expériences cumulées dans les étapes 1 à 3 pour atteindre les objectifs de performance requis, confirmant ainsi la littérature croissante affirmant que l'apprentissage actif peut accélérer le travail des expériences. Cela a de profondes implications sur la durabilité environnementale et économique des programmes de développement de catalyseurs qui restent encore à explorer.

Illustration : L'impact de l'apprentissage actif sur la durabilité des laboratoires. (Source : Article)

Dans ce contexte, en supposant que cette étude représente un effort de développement catalyseur, l'étude évalue dans quelle mesure l'apprentissage actif affecte deux piliers de durabilité du laboratoire.

L'analyse montre que l'empreinte carbone et les coûts sont réduits de plus de 90 % en moyenne par rapport aux événements traditionnels. Il a également été observé que ce résultat dépend très peu des différences régionales mondiales, affectant par exemple le mix énergétique ou la composition des dépenses de fonctionnement des laboratoires.

Ainsi, l'apprentissage actif contribue de manière significative au développement de laboratoires de catalyse durables en réduisant la consommation de produits chimiques et d'énergie et en optimisant l'utilisation des ressources.

Remarque : la couverture provient d'Internet

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!