Pengurangan kos lebih daripada 90%, "pembelajaran aktif + aliran kerja eksperimen" mempercepatkan pembangunan pemangkin

Editor |. Green Luo

Sintesis alkohol lebih tinggi (HAS) melalui penghidrogenan pemangkin terma syngas kekal sebagai teknologi yang menjanjikan. Pertumbuhan rantai dan keperluan pemasukan CO memerlukan bahan berbilang komponen yang kinetik tindak balas kompleksnya dan ruang kimia luas tidak memenuhi spesifikasi reka bentuk pemangkin.

Di sini, penyelidik dari ETH Zurich mencadangkan strategi alternatif untuk menyepadukan pembelajaran aktif ke dalam aliran kerja percubaan, menggunakan siri pemangkin FeCoCuZr sebagai contoh.

Rangka kerja berbantukan data yang dicadangkan memudahkan navigasi ruang komposisi dan keadaan tindak balas yang luas merentasi 86 eksperimen, mengurangkan jejak alam sekitar dan kos lebih daripada 90% berbanding prosedur tradisional. Telah ditentukan bahawa pemangkin Fe65Co19Cu5Zr11 dengan keadaan tindak balas yang dioptimumkan mencapai produktiviti alkohol yang lebih tinggi iaitu 1.1 pada operasi yang stabil selama 150 jam, peningkatan 5 kali ganda berbanding hasil yang biasa dilaporkan.

Pendekatan ini melangkaui strategi reka bentuk pemangkin HAS sedia ada, boleh digunakan pada julat transformasi pemangkin yang lebih luas dan menggalakkan kemampanan makmal.

Penyelidikan berkaitan bertajuk "Pembelajaran aktif memperkemas pembangunan pemangkin berprestasi tinggi untuk sintesis alkohol yang lebih tinggi" telah diterbitkan pada "Komunikasi Alam Semulajadi" pada 11 Julai.

Pautan kertas: https://www.nature.com/articles/s41467-024-50215-1

Membangunkan pemangkin yang cekap untuk penyelidikan sintesis alkohol tinggi berasaskan syngas (HAS) kekal sebagai cabaran. cabaran yang boleh mengurangkan pengeluaran bahan api fosil bahan kimia berharga dan bahan tambahan bahan api sambil menggalakkan ekonomi bulat dan mengurangkan isu perubahan iklim. Menyediakan bahan api fosil untuk pengeluaran bahan kimia dan bahan tambahan yang berharga.

Persimpangan pembelajaran mesin (ML) dan eksperimen selari ialah pembelajaran aktif, yang sesuai untuk mempercepatkan reka bentuk bahan dan pengoptimuman proses melalui rangka kerja gelung tertutup yang kecil-kepintaran mesin-mesin-membuat keputusan.

Walaupun pendekatan ini semakin popular dalam sains bahan, penemuan dadah dan kejuruteraan biosistem, pendekatan ini masih kurang diterokai dalam bidang pemangkinan. Sama ada kaedah berbantukan pembelajaran aktif sesuai untuk sistem pemangkin HAS yang sangat kompleks tidak diketahui.

Pembelajaran aktif mempercepatkan pembangunan pemangkin

Dalam kajian ini, penyelidik mempelopori strategi pembelajaran aktif untuk mempercepatkan pembangunan pemangkin FeCoCuZr yang sangat aktif. Ciri-ciri utama termasuk:

(i) Fe65Co19Cu5Zr11 mangkin mempunyai keupayaan ramalan yang tinggi, dan keadaan tindak balas optimumnya ialah alkohol yang lebih stabil dengan hasil ruang-masa (STYHA) 1.1 dan tempoh sekurang-kurangnya 150 jam, yang merupakan Nilai tertinggi yang dilaporkan setakat ini untuk syngas direct HAS;

(ii) Pengurangan masa dan sumber yang ketara dengan mengenal pasti sistem optimum untuk 86 eksperimen daripada ruang besar kira-kira 5 bilion kombinasi berpotensi

(iii) Pengoptimuman yang lebih disasarkan pertukaran prestasi yang wujud dan mengesyorkan pemangkin Pareto-optimum untuk meminimumkan selektiviti kepada CO2 dan CH4 sambil mengekalkan STYHA yang tinggi.

Ilustrasi: Tentukan komposisi mangkin dan maksimumkan keadaan tindak balas STYHA. (Sumber: Kertas)

Keputusan ini menyerlahkan potensi pendekatan dipacu data untuk terus mempercepatkan pembangunan pemangkin berbilang komponen yang cekap dan menggalakkan inovasi dalam penyelidikan pemangkin.

Gambaran Keseluruhan dan Skop Rangka Kerja Pembelajaran Aktif

Pendekatan pembelajaran aktif yang menggabungkan algoritma dipacu data dengan aliran kerja eksperimen yang terus belajar daripada data sedia ada dan yang baru dijana dalam kitaran percubaan berulang untuk meneroka dan mengenal pasti komposisi dan keadaan tindak balas FeCoCuZr untuk mengoptimumkan keadaan pemangkin. penunjuk prestasi minat. Teras model dipacu data menggabungkan algoritma Gaussian Process (GP) dan Bayesian Optimization (BO) dengan pembuatan keputusan manusia untuk menyelesaikan tugasan tunggal atau berbilang objektif.

Ilustrasi: Skim aliran kerja pembelajaran aktif untuk pembangunan pemangkin FeCoCuZr. (Sumber: kertas)

Untuk menunjukkan kebolehlaksanaan pendekatan ini untuk HAS, kajian telah dijalankan secara sistematik dalam tiga fasa berbeza, secara beransur-ansur meningkatkan kerumitan model.

• Di peringkat 1, komposisi pemangkin dipelbagaikan dengan matlamat memaksimumkan STYHA di bawah keadaan tindak balas tetap.

• Pada peringkat 2, dimensi masalah ditingkatkan dengan meneroka komposisi pemangkin dan keadaan tindak balas secara serentak untuk memaksimumkan STYHA.

• Kemudian, pada peringkat 3, kaedah ini diperluaskan kepada keupayaan berbilang objektif dengan memaksimumkan STYHA secara serentak dan meminimumkan selektiviti gabungan CO2 dan metana. Setiap peringkat melakukan kitaran berulang yang terdiri daripada enam eksperimen sehingga indeks prestasi sasaran dicapai atau ketepuan dicapai.

Pembelajaran Aktif dan Makmal Lestari

Walaupun terdapat satu bilion kombinasi ruang kimia dan parameter yang mungkin untuk sistem FeCoCuZr, kajian praktikal pemangkin berbilang komponen terdiri daripada ratusan hingga ribuan percubaan saringan.

Dengan menggunakan pembelajaran aktif, para penyelidik memetakan ruang luas pemangkin FeCoCuZr ke dalam 104 eksperimen terkumpul dalam peringkat 1-3 untuk memenuhi sasaran prestasi yang diperlukan, mengesahkan literatur yang semakin berkembang yang mendakwa bahawa pembelajaran aktif boleh mempercepatkan kerja eksperimen. Ini mempunyai implikasi yang mendalam terhadap kelestarian alam sekitar dan ekonomi program pembangunan pemangkin yang masih belum diterokai.

Ilustrasi: Kesan pembelajaran aktif terhadap kelestarian makmal. (Sumber: Kertas)

Dalam konteks ini, dengan mengandaikan bahawa kajian ini mewakili usaha pembangunan pemangkin, kajian menilai sejauh mana pembelajaran aktif mempengaruhi dua tonggak kelestarian makmal.

Analisis menunjukkan bahawa jejak karbon dan kos dikurangkan lebih 90% secara purata berbanding acara tradisional. Ia juga diperhatikan bahawa keputusan ini mempunyai sedikit pergantungan pada perbezaan serantau global, yang menjejaskan, contohnya, campuran tenaga atau komposisi perbelanjaan operasi makmal.

Oleh itu, pembelajaran aktif menyumbang dengan ketara kepada pembangunan makmal pemangkinan mampan dengan mengurangkan penggunaan bahan kimia dan tenaga, serta mengoptimumkan penggunaan sumber.

Nota: Muka depan datang dari Internet

Atas ialah kandungan terperinci Pengurangan kos lebih daripada 90%, "pembelajaran aktif + aliran kerja eksperimen" mempercepatkan pembangunan pemangkin. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!