Reax-Lump：一种从反应分子动力学模拟中自动生成聚合物塑料热解集总动力学的自动化方法

《Progress in Reaction Kinetics and Mechanism》：Reax-Lump: an automated method for generating lumped kinetics of polymer plastic pyrolysis from reactive molecular dynamics simulation

　　

从反应分子动力学(ReaxFF MD)模拟结果中为聚合物热解构建既精确又简化的动力学模型仍然是一个重大挑战。本研究开发了Reax-Lump，这是一种从大规模ReaxFF MD模拟中提取聚合物塑料热解集总反应机理的自动化方法。为了解决机理规模与预测精度之间的权衡问题，研究人员开发了一种结合遗传算法(GA)和信赖域(trust-region)方法的协同优化方案，该方案通过尺度缩减和参数优化的循环迭代来完善机理。此外，通过将SRG-Reax的反应分类方法扩展到标记的聚丙烯(PP)热解数据库，该策略将化学可解释性直接整合到集总模型中。在1、2、4和8 K/ps的不同升温速率下，PP热解的模型仅包含10种物质和约20个反应，其平均决定系数(R2)为0.956，重现了ReaxFF MD模拟结果。SRG-Reax分类方法在PP热解验证集上的准确率也从51%提高到了97.7%。Reax-Lump方法提供了一个自动化、集成的工作流程，用于从ReaxFF MD模拟结果中构建可解释且紧凑的热解机理，在其他单组分或多组分聚合物塑料系统中具有广阔的应用前景。

论文解读：《Reax-Lump：一种从反应分子动力学模拟中自动生成聚合物塑料热解集总动力学的自动化方法》

研究背景与意义

塑料制品在现代社会中不可或缺，但全球塑料回收率极低，大部分被焚烧或填埋，造成了严重的资源浪费和生态污染。热解技术作为一种极具潜力的资源化手段，能够将长链聚合物转化为较小的分子，产生油、气和炭，是实现聚合物塑料循环利用的关键途径。然而，热解过程涉及复杂的化学反应网络，其产物分布和转化路径受温度、催化剂等多种因素影响。揭示反应机理和动力学对于优化反应条件和设计高效反应器至关重要。

目前的研究面临多重瓶颈：传统实验表征技术（如X射线衍射、热重分析）难以捕捉动态反应演变；密度泛函理论(DFT)计算精度高但受限于小规模体系；基于实验数据回归的集总机理缺乏微观细节；而反应力场分子动力学(ReaxFF MD)虽然能连续追踪键的形成与断裂，提供详细的反应轨迹，但其产生的物种和反应数量极其庞大（例如单次模拟可产生数十万条反应），导致数据过于复杂，无法直接应用于下游的计算流体力学(CFD)数值模拟。因此，如何从大规模的ReaxFF MD数据中自动提取兼具化学可解释性和高精度的简化集总动力学模型，是该领域亟待解决的核心科学问题。

研究方法与技术路线

研究人员提出了名为Reax-Lump的自动化方法，其核心在于四个关键步骤的协同工作：

1. 1.
   反应识别与分类：首先利用ReaxFF MD进行模拟，并通过VARxMD软件获取详细的反应列表。为了赋予机理化学可解释性，研究人员改进了SRG-Reax机器学习分类方法。针对高分子量物种标注困难的问题，构建了反应中心标注平台，提取反应中心周围四个拓扑距离内的结构信息。通过在原有燃料数据集基础上引入924条聚丙烯(PP)热解反应数据进行增强训练，显著提升了模型对大分子反应的分类准确率。
2. 2.
   物种与反应集总：建立了基于碳原子数的物种集总规则，将详细物种归类为10大类（如[C₂₀₀₊]代表PP及其寡聚物，[C₆~C₁₀]代表轻油等）。随后，将详细反应映射到集总反应，并进行时间尺度的垂直合并，将连续的链式反应合并为单一的总包反应，大幅降低网络复杂度。
3. 3.
   协同动力学优化：这是本工作的核心创新。研究人员设计了一个结合遗传算法(GA)和信赖域(trust-region)优化算法的协同训练框架。遗传算法负责机制削减（即从全反应列表中筛选关键反应），其适应度函数同时考虑浓度预测误差和机制规模的惩罚项。信赖域算法则负责精细优化筛选后反应的动力学参数（指前因子lnA和活化能E_a），它不依赖原始目标函数的梯度计算，确保了复杂优化问题的稳定收敛。两者交替循环，实现了在保证预测精度的前提下最大程度地压缩反应机制规模。

研究结果与分析

机制训练与验证

研究以聚丙烯(PP)为模型化合物，在1、2、4和8 K/ps四种升温速率下进行了加热模拟。结果表明，经过集总和垂直合并后，反应数量从数万条锐减至数百条。通过协同优化，最终成功将PP热解机制分别简化为仅包含18至27个反应的紧凑模型。优化后的损失函数值大幅下降，平均反应频率显著提升，增强了数据的统计可靠性。模型预测的10种集总物种数量随温度的演化趋势与原始ReaxFF MD模拟结果高度吻合，平均决定系数(R²)高达0.956。此外，模型还能准确预测不同温度和升温速率下小分子气体（如甲烷、乙烯、C₃~C₅片段）的产率，揭示了低温加热速率下气体产率更高、高温下C₃~C₅会发生二次裂解等规律。

基于反应分类的PP裂解行为研究

通过集成SRG-Reax方法，研究人员深入分析了主导PP热解的具体反应类别。研究发现，PP及其中间体的裂解主要由C-C键均裂(RxC1)和β-断裂(RxC2)控制，其中β-断裂占绝对主导地位。升温速率对反应路径有显著影响：升温速率越高，C-C键断裂反应的比例越大；而在低升温速率下，较长的反应停留时间促进了碳中心自由基的重组(RxC12)、分子间氢转移(RxC9)以及链环化(RxC31)等反应，这解释了为何在低升温速率后期，[C₆~C₁₀]和[C₁₁~C₂₀]等较重组分的产率会出现反常增加。动态分析进一步表明，乙烯(C₂H₄)的初始形成温度随升温速率降低而下降，且与β-断裂/C-C键均裂比率的增加密切相关，证实了低升温速率有利于更完全的裂解。

结论与讨论

本研究提出的Reax-Lump方法成功解决了从大规模ReaxFF MD模拟数据中自动构建聚合物热解集总动力学模型的难题。该方法通过创新的协同优化框架，在机制规模与预测精度之间取得了卓越平衡，生成的模型兼具简洁性与化学可解释性。具体而言，研究人员得出以下核心结论：

1. 1.
   方法有效性：Reax-Lump能够将从ReaxFF MD获得的成千上万条详细反应，自动提炼为仅包含约20个反应和10种物种的紧凑集总模型，且该模型能高精度重现原始模拟的物种演化曲线。
2. 2.
   性能提升：通过引入PP专属数据集，SRG-Reax分类模型对PP热解反应的分类准确率从51%大幅提升至97.7%，为理解集总反应背后的微观机制提供了有力工具。
3. 3.
   机理揭示：研究发现升温速率是调控热解路径的关键因素，低升温速率通过延长停留时间促进了自由基重组和环化等二次反应，从而影响了最终产物的分布。

这项研究的意义在于，它为连接微观原子尺度的模拟与宏观工业尺度的反应器设计搭建了一座桥梁。所生成的集总动力学模型可直接用于下游的CFD模拟，为优化聚合物热解工艺、预测产物分布提供了坚实的理论基础。尽管当前研究以PP为例，但该自动化工作流程具备良好的通用性，未来有望扩展至其他单组分或多组分聚合物体系，并为处理含杂原子体系和结合实验数据进行模型校准指明了方向。