基于氧化铝的催化剂开发：用于丙烷脱氢反应，采用可解释的机器学习方法并进行实验验证

《ACS Catalysis》：Alumina-Supported Catalyst Development for Propane Dehydrogenation via Interpretable Machine Learning and Experimental Validation

基于机器学习的丙烷脱氢催化剂筛选与性能预测研究，通过构建五阶段工作流程（数据准备、模型开发与评估、解释和应用），利用CatBoost算法成功预测两种高潜力催化剂（PtSnZr/γ-Al?O?等），实验验证显示其丙烯产率稳定超过50%，且经H?S预处理可优化性能。采用SHAP和部分依赖图解析模型，为烷烃催化转化提供新范式。

　　

直接丙烷脱氢（PDH）反应是生产丙烯的关键途径之一，其成功依赖于高性能催化剂的开发，而这通常需要通过耗时的试错策略来实现。在这项研究中，建立了一个包含五个阶段的机器学习工作流程：数据准备、可靠机器学习模型的开发及其评估、解释和应用，以探索以丙烯产率为目标的PDH催化剂筛选和设计中的数据驱动研究范式。研究人员汇编了关于氧化铝负载催化剂催化的PDH反应的相关文献数据。评估了十二种算法，其中CatBoost模型表现出较高的准确性和泛化能力，训练集的决定系数（R2）为0.992，测试集为0.973。利用该模型，我们筛选出了两种具有良好前景的三元催化剂。实验验证表明，这两种催化剂的预测值与实际测得的瞬时丙烯产量非常吻合。在所筛选的催化剂中，PtSnZr/γ-Al?O?催化剂具有较高的丙烯产量，并且在13.5小时内产量保持在50%以上。预计在H?S预处理条件下，这些催化剂的丙烯产量还能进一步提高。为了解释模型结果，采用了可解释的机器学习工具（如Shapley加性解释和偏依赖图分析）。这项研究为机器学习在轻质烷烃异相催化转化中的应用提供了宝贵的见解，并通过揭示文献数据中的隐藏结构-活性关系，促进了催化剂的发展。