深度学习动力学建模优化绿氢生产:催化剂组成与操作变量对氨催化分解的影响

《ACS Omega》:Deep Learning Kinetic Modeling of the Catalytic Decomposition of Ammonia in Green Hydrogen Production: Effects of Catalyst Composition and Operating Variables

【字体: 大 中 小 】 时间:2026年04月14日 来源:ACS Omega 4.3

编辑推荐:

  为优化绿氢生产中氨催化分解过程,研究人员开发了基于深度学习的人工神经网络(ANN)模型,该模型将催化剂组成(活性相、载体、助剂)及操作条件(温度、WHSV、氨浓度)直接编码输入,实现了对氨转化率的高精度预测。该模型在验证集上取得了较低的预测误差(RMSE = 10.06 ppm, MAE = 7.98 ppm),其敏感性分析和外部验证均表明模型能有效捕捉复杂的物理化学规律,为催化剂设计和过程优化提供了新工具,推动了深度学习在催化系统中的应用。

  
在全球能源结构仍严重依赖化石燃料的背景下,寻找清洁、可持续的替代能源已成为迫在眉睫的挑战。氢能,作为一种高能量密度且燃烧产物仅为水的理想能源载体,备受瞩目。然而,传统的制氢方法,如蒸汽甲烷重整会产生大量碳排放,而水电解法则受限于高成本和较低的能效。氨(NH3)因其高储氢密度、成熟的储运基础设施和安全规范,被视为一种极具潜力的氢载体。通过催化分解反应(2NH3(g)→ N2(g)+ 3H2(g))可以高效释放氢气。但该工艺的大规模应用仍面临挑战:为实现高转化率,通常需要高温或超高效率的催化剂,优化过程复杂。传统的动力学模型往往基于现象学假设,在描述复杂的催化系统,特别是涉及催化剂组成细节时,存在简化过度、适用性有限的问题。另一方面,基于高级模拟软件的更复杂模型则需要巨大的计算资源。面对这些瓶颈,人工智能(AI)与机器学习(ML)技术,特别是人工神经网络(ANNs),展现出了非凡的潜力。它们能够从数据中自适应地学习,识别系统的非线性和相关性,而无需依赖显式的机理方程,为高效、精准地建模和优化催化反应过程开辟了新路径。为此,本项研究旨在开发一个深度学习ANN模型,专门用于模拟氨催化分解过程,并深入探究催化剂组成和操作变量对反应性能的影响。这项工作发表在《ACS Omega》期刊上。
为开展此项研究,作者主要采用了几个关键技术方法:首先是数据集的构建与处理,研究基于Lucentini等人2019年整理的文献数据库,经过严格的数据清洗、缺失值处理和标准化,最终形成了一个包含324个实验点的最终数据集,涵盖了催化剂组成(活性相、载体、助剂及其质量分数)和操作条件(WHSV、进料氨浓度、温度)。其次是数据编码策略,将催化剂组成的分类变量(如不同金属、氧化物载体)转换为神经网络可处理的数值输入,对于代表性不足的复合物(如海泡石)则分解为其组成氧化物进行编码。核心是深度学习模型的设计与优化,构建了一个全连接前馈神经网络,输入层包含50个神经元(对应3个操作变量和47个编码后的催化剂组成特征),输出层为1个神经元(预测氨转化率)。通过系统性的架构搜索(测试不同层数、神经元数、激活函数和优化器),最终确定了最优模型。此外,还采用了敏感性分析和SHAP(SHapley Additive exPlanations)分析来评估模型内部逻辑与特征重要性,并通过外部验证使用未参与训练的实验数据来检验模型的泛化能力。
模型评估
通过对不同神经网络架构的评估,研究发现结构更深的网络(如每层300、400、500个神经元)能显著降低预测误差。其中,拥有两个中间层、每层400个神经元的架构(400-400)表现最佳,在验证集上取得了最低的误差(RMSE = 10.06 百分点,MAE = 7.98 百分点),且训练误差与验证误差差距很小,表明模型具有高度的稳定性和泛化能力。其训练集和验证集的预测值与实验值对比图(Parity Plots)也显示了良好的相关性(R2分别为0.932和0.830)。与文献中报道的传统机器学习模型(如梯度提升回归GBR)相比,本研究提出的ANN模型在RMSE和MAE指标上均表现更优。
敏感性结果
为了探究最佳模型的内部逻辑及其对关键变量的响应,研究进行了系统的敏感性分析:
  1. 1.
    操作温度的影响:模拟显示,对于所有测试的活性金属(Ru, Ni, Fe, Co, Mo),氨转化率均随温度升高而持续增加,这符合催化分解反应是吸热反应的基本动力学和热力学规律。其中,钌(Ru)在整个温度范围内都表现出最高的转化率,印证了其作为该反应最优活性金属的文献共识。
  2. 2.
    重时空速(WHSV)的影响:模拟表明,氨转化率与WHSV呈明显的反比关系,在低WHSV时急剧下降,随后在高流量下趋于稳定。这与连续流动催化系统中反应物停留时间减少导致转化率降低的典型动力学行为一致。
  3. 3.
    氨进料浓度的影响:对于所有分析的催化剂,提高进料中的氨浓度会导致转化率逐渐下降。这与物理化学预期相符:较高的氨分压会促进活性位点饱和,阻碍竞争性吸附,从而降低总反应速率,特别是在脱附为限速步骤的系统中。
  4. 4.
    活性相金属负载量的影响:以钌(Ru)为例,模拟显示转化率随其负载量(1-10 wt %)增加而稳步提高,但在较高负载量时出现明显的饱和效应。这符合催化原理:活性位点密度增加可提高反应速率,直至内部扩散、位点阻塞或金属团聚等因素开始削弱进一步添加的效果。
    此外,SHAP分析进一步量化了各输入变量对模型输出的贡献。结果显示,操作参数(尤其是温度和WHSV)影响力最大,这与它们在氨分解中的主导作用一致。催化剂组成特征(如特定的活性金属、载体氧化物)虽然影响幅度较小,但也对预测有贡献,且模型能够捕捉到如钾(K)、铯(Cs)等助剂在特定配置下的细微影响。
外部验证
为了评估模型在构建数据域之外的泛化能力,研究使用了三篇独立文献中的实验数据进行外部验证。这些数据涵盖了模型训练时未使用的、具有不同组成和操作条件的催化剂。对比结果显示,模型的预测曲线与外部实验数据点吻合良好,即使对于由多种氧化物构成的、未见过的复合催化剂,模型基于其组成氧化物的编码也能进行准确预测,这证实了所提出的编码策略和模型的有效性。
研究结论与意义
本研究成功开发了一个用于模拟氨催化分解的深度学习神经网络模型。该模型基于一个经过严格处理的、包含324个实验的多样化数据集构建而成。最优模型架构为两层400个神经元的网络,使用GELU(高斯误差线性单元)作为中间层激活函数,输出层使用Sigmoid函数,并采用LAMB优化器进行训练。该模型在验证集上取得了优异的预测性能(RMSE = 10.06 ppm, MAE = 7.98 ppm),且表现出良好的泛化能力,外部验证进一步证实了其可靠性。
研究的核心意义在于:首先,它首次将深度神经网络应用于包含催化剂组成特征的氨催化分解动力学建模,为这一特定领域提供了新的、更强大的数据驱动工具。其次,研究提出的编码策略使模型能够直接整合广泛的催化剂组成,即使对于复杂的多氧化物催化剂也能有效预测,这为催化剂的高通量筛选和理性设计提供了有力支持。最后,系统的敏感性分析和SHAP分析表明,模型不仅能够进行准确预测,其内部逻辑也与已知的物理化学规律一致,增强了模型的可解释性和可信度。尽管使用了复杂架构,但研究的成功很大程度上归功于高质量的数据工程和严谨的预处理,表明在数据有限的应用中,模型性能是数据质量、模型设计和过程理解平衡结合的结果。
这项工作展示了深度学习在建模复杂催化反应、处理高度多样化和数据有限的系统方面的强大潜力。所开发的模型和框架为优化绿氢生产中的催化剂和工艺参数提供了有价值的策略,有助于推动绿色氢能技术和更广泛的能源转型进程。未来工作可集中于扩展数据集,纳入更多变量和材料,并探索多输出建模,以进一步提升模型的预测能力和应用范围。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号