机器学习驱动的NH3-SCR催化剂快速筛选与性能预测：突破传统试错法的高效催化设计

为解决传统催化剂研发效率低、成本高的问题，研究人员基于机器学习构建了包含751组数据的NH3-SCR催化剂数据库，通过CatBoost模型实现双目标（NOx转化率与N2选择性）精准预测，SHAP分析揭示反应温度与Mn摩尔比为关键影响因素，为SCR催化剂智能化设计提供新范式。

　　

在“双碳”战略背景下，燃煤电厂面临氮氧化物（NO_x）减排的严峻挑战。传统选择性催化还原（NH₃-SCR）技术虽能有效脱硝，但其核心催化剂仍依赖V-W-Ti体系，存在活性温度窗口窄（300-400°C）、难以适应新能源电网调峰需求等问题。更棘手的是，传统催化剂研发采用“试错法”，需耗费大量实验资源，而催化反应中多参数（如组分、制备条件、反应温度）的复杂非线性关系，使得性能预测犹如“盲人摸象”。

上海的研究团队在《Molecular Catalysis》发表的研究中，开创性地将机器学习与催化科学深度融合。他们构建了涵盖751组数据的SCR催化剂数据库，包含30维特征参数（催化剂组成、制备条件、反应条件）和双输出目标（NO_x转化率、N₂选择性）。通过系统比较10种算法，发现CatBoost模型预测精度最高（R²=0.999，MAE=0.006），并利用SHAP方法解码出反应温度与Mn元素摩尔比的核心作用机制。

关键技术包括：1）从73篇文献（2014-2024）提取结构化数据构建数据库；2）采用LightGBM和CatBoost算法处理高维非线性关系；3）SHAP值解析特征重要性；4）热力图分析关键参数交互作用；5）外部数据集验证模型泛化能力。

【数据库构建与预处理】
研究团队通过严格筛选标准（完整数据、广谱覆盖、高影响力期刊），建立首个涵盖50-650°C宽温域的SCR催化剂数据库。数据预处理采用Z-score标准化和KNN填补缺失值，确保模型输入质量。

【模型选择】
线性模型（如岭回归）表现最差（测试集R²<0.2），而树模型CatBoost在预测NO_x转化率时展现出近乎完美的拟合度（训练/测试集R²达0.999/0.991），其MAE（0.006）较传统方法降低两个数量级。

【结论与意义】
该研究突破性地实现三大创新：1）首次将CatBoost应用于SCR催化剂设计，预测精度超越现有文献报道；2）揭示Mn-Ce-Ti体系在宽温域的优势，为新型催化剂开发指明方向；3）建立的“数据-模型-机理”研究框架，可推广至其他催化体系。这项工作不仅将催化剂研发周期从“年”缩短至“天”，更通过可解释AI（SHAP）破解了“黑箱”难题，为智能催化时代的到来奠定方法论基础。

研究同时发现，反应温度对NO_x转化率的影响呈非单调性，在300°C附近存在阈值效应，这一发现修正了传统认知中简单的线性关系假设。作者团队特别指出，未来需扩大数据规模以提升模型泛化能力，并建议将活性位点微观表征数据纳入特征工程，这将使机器学习模型真正成为“催化剂的数字孪生体”。