综述：机器学习赋能的生物油共加工技术用于可持续航空燃料：催化剂至炼油厂集成以扩展混合比例 可购买

《Green Chemistry》：Machine learning-enabled bio-oil co-processing for sustainable aviation fuel: Catalyst-to-refinery integration for blend expansionAvailable to Purchase

　　

全球航空业面临在2050年实现净零碳排放的紧迫需求，而可持续航空燃料（SAF）的生产仍受原料供应、氢气需求、生产成本和工艺灵活性的限制。包括加氢处理酯类和脂肪酸（HEFA）和费托（FT）合成在内的传统SAF生产路径已经商业化或获得认证，但其可扩展性受到狭窄的原料池和工艺特定限制的影响。本综述旨在建立一个从催化剂到炼油厂的框架，通过炼油厂共加工、多样化的生物基原料和机器学习（ML）辅助工艺设计来扩大SAF生产。该综述总结了基于动物脂肪、植物油、食品废弃物和生物质衍生中间体的生物油和脂质原料路线，并讨论了SAF生产所需的关键催化反应，包括加氢处理、脱氧、加氢裂化和加氢异构化。该综述强调了催化剂性质和原料化学如何控制碳氢化合物形成和喷气燃料选择性。最近，机器学习在催化剂筛选、燃料性质预测、工艺优化和技术经济评估方面的应用得到了综述。虽然当前的机器学习研究报告称，在单个目标（如碳氢化合物收率、密度、闪点和凝固点）的研究范围内表现出令人前景的性能，但许多研究仍局限于特定反应或性质，缺乏在集成炼油厂规模的预测性验证。本综述指出，碳氢化合物组成（包括正构烷烃、异构烷烃、环烷烃、芳烃和烯烃）是连接催化剂设计、炼油厂操作和美国材料与试验协会（ASTM）燃料规范的关键中间环节。因此，未来的机器学习框架应从预测孤立的工艺变量向多目标优化演进，整合原料选择、催化剂配方、升级路径、碳氢化合物组成和调和策略。所提出的从催化剂到炼油厂的框架提供了一条路线图，用于构建智能炼油系统，能够通过数据驱动的催化剂优化、碳氢化合物组成控制和原料调和来最大化符合ASTM标准的SAF生产。

视觉摘要

全球航空业面临在2050年实现净零碳排放的紧迫需求，而可持续航空燃料（SAF）的生产仍受原料供应、氢气需求、生产成本和工艺...

此内容仅通过PDF提供。

? 2026 作者。由英国皇家化学会出版

2026

作者

您必须申请许可才能在其他出版物中使用本文中的材料；请参见我们关于在RSC许可下发表的文章中重用材料的指南。