综述：提高费托合成中（C9-C16）范围可持续航空燃料选择性的策略

本综述系统评述了通过调整催化剂氧化还原特性、优化金属-载体相互作用、引入助剂及利用机器学习（ML）等实验验证策略，以突破费托合成（FTS）中安德森-舒尔茨-弗洛里（ASF）分布限制，精准提升可持续航空燃料（SAF）在C9-C16区间的选择性，为清洁航空能源发展提供重要技术路径。

　　

SAF’s Compatibility with ASTM Standards and Existing Aviation Infrastructure

可持续航空燃料（SAF）通过费托合成（FTS）制备时，其组成必须符合美国材料与试验协会（ASTM）制定的关键标准，包括ASTM-D1655（传统航空涡轮燃料）、ASTM-D7566（含合成烃的航空涡轮燃料）及ASTM-D4054（燃料评估框架）。这些标准确保了SAF在现有航空基础设施中的直接适用性，而FTS产物的无硫、无重金属特性天然契合清洁燃料要求。

Active Sites in Fischer-Tropsch Catalysts

费托催化剂的活性位点依赖过渡金属（如Co、Fe、Rh、Ru）对CO的高解离化学吸附能力，通过生成C、H、O原子物种引发氢化反应。理想活性位需促进C-C偶联而非过度氢化，以避免甲烷（CH₄）主导的副反应。金属的电子结构与载体表面的酸碱特性共同调控链增长路径，是优化C₉-C₁₆选择性的核心靶点。

Adjusting Catalyst Redox Characteristics

调控催化剂氧化还原特性可通过改变载体酸碱位浓度实现，但需注意孔隙结构变化对扩散效应的干扰。研究表明，适中的酸碱平衡能增强CO活化效率，促进中间体向长链烃（C₉-C₁₆）演化。例如，钴基催化剂在弱酸性载体上呈现更高的链增长概率（α值），有效压缩轻烃（C₁-C₄）生成。

Role of Machine Learning to Enhance SAF Selectivity

机器学习（ML）为FTS催化剂设计提供了高通量筛选工具。Shafiee等通过梯度提升树、随机森林、人工神经网络（ANN）等模型，分析了21种催化剂配方与工艺参数对C₈-C₁₆选择性的影响，发现金属负载量、还原温度与反应压力为关键决策变量。ML模型可预测最优条件组合，加速突破ASF分布限制的催化剂开发。

Conclusions and Future Recommendations

当前策略已证实通过协同调控催化剂本征性质（如氧化还原特性、金属-载体相互作用）与外部反应环境（如CO₂稀释进料），可显著提升FTS中SAF选择性。未来需结合原位表征技术与机器学习，解析活性位动态演化机制，并推动催化剂从实验室向工业级放大，最终实现航空燃料的精准低碳制造。