碳酸酯是一类重要的可持续化学化合物。由于其独特的结构,它们在化学制造和生物技术中作为多功能构建块[1,2]。作为最简单的碳酸酯,碳酸二甲酯(DMC)具有活性的羰基和甲氧基官能团。这种结构赋予了其独特的物理化学性质,从而引发了对其应用的广泛研究[3]。作为溶剂,DMC具有优异的性能,包括低毒性、快速生物降解性和良好的粘度。这些特性使其成为从锂离子电池电解质到合成化学等多种应用的理想环保介质[4]。DMC的主要应用有两个方面:一是作为含氧燃料添加剂,利用其高氧含量(53.3 wt%);二是作为有毒试剂(如硫酸二甲酯和光气)的安全、无害替代品。这种替代显著降低了传统化合物带来的环境和健康风险[5]。
DMC的合成受到了大量研究关注。主要的方法包括基于光气的合成[6,7]、甲醇的氧化羰基化[8,9]、从甲醇和CO2直接合成[10,11]、尿素的醇解[12,13]以及酯交换[14,15]。其中,丙酸甲酯(PC)与甲醇的酯交换反应是中国DMC生产的主要工业路线。该过程因其温和的反应条件和高的产品选择性而备受青睐[16]。
在酯交换反应中,甲醇钠是最常用的均相催化剂,表现出优异的催化活性[17]。然而,均相系统存在实际限制,如催化剂回收困难以及产品分解和聚合等副反应的发生。相比之下,非均相催化剂系统具有明显优势,特别是易于分离和更高的可重复使用性[18]。尽管如此,文献表明许多非均相催化剂需要苛刻的反应条件(如高温和高压)。这一要求对工业化应用构成了重大技术障碍[19]。因此,开发在温和条件下(如常压和低温)高效运行的非均相催化剂具有重要的工业意义。
已有多种非均相催化剂被用于DMC的酯交换合成。典型的例子包括碱金属硅酸盐[20]、离子交换树脂[21]以及由层状双氢氧化物(LDHs)衍生的固体碱催化剂[22]。其中,通过高温煅烧LDHs前驱体获得的混合金属氧化物尤为值得注意。这些材料具有高的金属分散性,并且对于催化作用而言,其表面酸碱性质可调[23]。它们的通用公式为[M2+1-mM3+m(OH)2]m+An-)m/n·yH2O [[24], [25], [26], [27]],其中M2+和M3+分别代表二价(如Mg2+、Ca2+、Cu2+)和三价(如Al3+、Fe3+、La3+)阳离子;m值表示M2+/(M2+ + M3+)的摩尔比,而An-是电荷平衡阴离子。调节碱性位点的数量和强度是提高酯交换活性的关键策略。例如,Wang等人[28]合成了用过渡金属改性的Mg-Al固体碱催化剂,并发现催化性能主要取决于表面碱性强度和碱性位点的数量,其中Fe改性的样品由于碱性位点最多而表现出最高的PC转化率(66.2%)。类似地,Unikrishnan等人[29]报告称,对于稀土改性的Mg-Al三元氧化物,催化活性(转化率和TON)与单位表面积的碱性位点数量(μmol/m2)有很强的相关性。此外,Kumar等人[30]对Cu-Zn-Al(CZA)LDHs的研究证实,300°C下煅烧的催化剂(CZA-300)在弱酸区和强酸区都保持了较多的碱性位点,从而实现了最高的催化效率。这些研究强调了LDHs衍生催化剂的潜力。尽管基于Cu的催化剂在甲醇氧化羰基化方面被广泛研究[9],但其应用常常受到氧化铜烧结和稳定性问题的限制。然而,从LDHs前驱体衍生的Cu基催化剂可以通过提供原子级分散的活性位点、抗烧结的结构和可再生的催化表面来缓解这些问题[25,26]。因此,本研究系统评估了用于该酯交换反应的LDHs衍生Cu基催化剂,旨在阐明在最佳条件下的结构-活性关系。
在复杂的催化系统中优化实验设计和提高生产力仍然是重大挑战。人工神经网络(ANNs)已成为不可或缺的预测建模工具,能够捕捉传统线性模型常忽略的复杂非线性参数相互作用(如反应物比例、催化剂类型、催化剂负载量、反应时间和温度[31]。虽然标准反向传播(BP)网络可以通过迭代学习近似输出[32,33],但它们容易陷入局部最小值且收敛速度慢。将BP与遗传算法(GA)结合使用可以克服这些限制,显著提高预测准确性和速度[34,35]。对于DMC合成,这种混合方法实现了多参数的同时优化,并加速了催化剂开发,为反应工程提供了可靠的框架。
本研究旨在通过实验和计算相结合的方法系统研究Cu-Al LDO催化剂在DMC合成中的应用,重点关注三个主要目标:(ⅰ)通过研究关键合成变量(即煅烧温度(200–800°C)和Cu/Al摩尔比(0.1:1–3:1)对催化性能的影响来优化催化剂制备;(ⅱ)开发酯交换反应的动力学模型,以建立明确的结构-活性关系,从而定量分析碱性位点数量对性能的影响;(ⅲ)构建混合遗传算法-反向传播(GA-BP)神经网络,并验证其预测准确性与实验结果的吻合程度。